anàlisi de la tendència dels estudiants de l’etseib al

Treball de Fi de Grau

Grau en Enginyeria en Tecnologies Industrials

Anàlisi de la tendència dels estudiants de l’ETSEIB al

passar la fase selectiva

MEMÒRIA

Autor: Pol Joher Güibas

Director: Lluís Solano Albajes

Convocatòria: Juny 2017

Escola Tècnica Superior

d’Enginyeria Industrial de Barcelona

Pàg. 1 Memòria

RESUM

El treball fi de grau que el lector es disposa a llegir es centra en l'estudi de què és el que

succeeix en el pas de primer a segon curs (de fase inicial a inici de fase no inicial) al grau

d'Enginyeria en Tecnologies Industrials de l'Escola Tècnica Superior d'Enginyeria Industrial

de Barcelona, de la Universitat Politècnica de Catalunya.

El lector podrà adonar-se'n de la complexitat de l'estudi de les dades amb ús del llenguatge

Python, així com també entendre el perquè i el com es realitza el mateix.

Sabrà quines eines s'empren per a dur a terme aquest treball i perquè s'utilitzen aquestes eines

concretes enlloc d'unes altres. A més a més, disposarà del codi que figurarà en l’arxiu

comprimit així com també de descripcions de com cridar cada funció amb dades de què

retorna i quin tractament fa. Aquest fet facilitarà la comprensió del codi al lector que tingui

coneixements previs avançats d'informàtica, més concretament de Python. Per altra banda,

també facilitarà la comprensió, no del codi però sí de l'objectiu de cada funció, a aquell lector

que no tingui cap coneixement previ de Python.

De forma evident, podrà veure els resultats extrets, durant la memòria i amb documentació als

annexos, dels diversos estudis realitzats, així com la validació dels resultats.

Si bé és cert que aquest treball no té l'objectiu de transmetre res personal al lector, sí que

m'agradaria personalment que qui l'estigui llegint pugui comprendre una mica més el marc de

possibilitats que la informàtica ofereix, la seva dificultat i, el fet de poder fer tot el que hom es

pugui imaginar un cop es comença a dominar un llenguatge.

Pàg. 2 Memòria

SUMARI

ÍNDEX DE FIGURES............................................................................................................................. 6

ÍNDEX DE TAULES ............................................................................................................................ 11

1. GLOSSARI ................................................................................................................................... 14

2. PREFACI ...................................................................................................................................... 16

2.1. Origen del treball ........................................................................................................................ 16

2.2. Motivació ................................................................................................................................. 16

2.3. Requeriments previs ................................................................................................................... 17

3. INTRODUCCIÓ ........................................................................................................................... 18

3.1. Objectius del treball.................................................................................................................... 18

3.2. Abast del treball ........................................................................................................................ 19

4. CONTEXT .................................................................................................................................... 20

5. PROBLEMA A RESOLDRE ........................................................................................................ 21

6. ANÀLISI DEL PROBLEMA ....................................................................................................... 22

6.1. Format de les dades rebudes ..................................................................................................... 22

6.2. Lectura del fitxer en codificació concreta ................................................................................ 23

6.3. Conversió d’una variable de tipus enter a string ...................................................................... 23

6.4. Temps d’execució excessiu ...................................................................................................... 23

7. DESCRIPCIÓ DE LA SOLUCIÓ ................................................................................................. 24

7.1. Filtre i refinament de dades ...................................................................................................... 24

7.2. Codificació ............................................................................................................................... 24

7.3. Conversió a string ..................................................................................................................... 25

7.4. Temps d’execució excessius ..................................................................................................... 25

8. FUNCIONALITATS I REQUERIMENTS .................................................................................. 26

8.1. Filtre ......................................................................................................................................... 26

8.2. Estudi bàsic de les dades .......................................................................................................... 27

8.3. Estudi intermedi de les dades ................................................................................................... 27

8.4. Estudi avançat de les dades ...................................................................................................... 28

8.5. Representació gràfica ............................................................................................................... 29

9. EINES ............................................................................................................................................ 30

10. DESCRIPCIÓ DE LES EINES ................................................................................................. 31

10.1. Sistema operatiu ....................................................................................................................... 31

10.2. Programes executables ............................................................................................................. 32

10.2.1. Oracle VM Virtualbox ................................................................................................... 32

10.2.2. GNU Emacs ................................................................................................................... 32

Pàg. 3 Memòria

10.2.3. Minitab 16 ..................................................................................................................... 33

10.2.4. Microsoft Excel ............................................................................................................. 33

10.3. Llenguatges de programació ..................................................................................................... 34

10.3.1. Python ............................................................................................................................ 34

10.3.2. JavaScript (JS) ............................................................................................................... 35

10.3.3. HTML5 .......................................................................................................................... 35

10.3.4. CSS3 .............................................................................................................................. 36

10.3.5. JS + HTML5 + CSS ...................................................................................................... 36

10.4. Llibreries................................................................................................................................... 37

10.4.1. Pandas ............................................................................................................................ 37

10.4.2. NumPy ........................................................................................................................... 38

10.4.3. Matplotlib ...................................................................................................................... 38

10.4.4. Math .............................................................................................................................. 38

10.4.5. Collections ..................................................................................................................... 38

10.4.6. Flask .............................................................................................................................. 39

11. IMPLEMENTACIÓ .................................................................................................................. 41

11.1. Funcions Python ....................................................................................................................... 41

11.1.1. Fitxer filtre.py ................................................................................................................ 41

11.1.2. Fitxer refinament.py ...................................................................................................... 42

11.1.3. Fitxer tractament_inicial.py ........................................................................................... 47

11.1.4. Fitxer distancia.py ......................................................................................................... 53

11.1.5. Fitxer estudi.py .............................................................................................................. 60

11.1.6. Fitxer minitab.py ........................................................................................................... 63

11.2. Lloc web ................................................................................................................................... 77

11.2.1. Disseny i estructura ....................................................................................................... 77

11.2.2. Recursos utilitzats .......................................................................................................... 79

11.2.3. Funcionalitats ................................................................................................................ 79

11.2.4. Manual d’usuari ............................................................................................................. 88

12. RESULTATS I VALIDACIÓ ................................................................................................... 89

12.1. Eines estadístiques .................................................................................................................... 89

12.1.1. Boxplot o Diagrama de caixes ....................................................................................... 89

12.1.2. Diagrama de barres ........................................................................................................ 90

12.1.3. Histograma .................................................................................................................... 90

12.1.4. Diagrama de punts o Dotplot ......................................................................................... 91

12.1.5. P-valor ........................................................................................................................... 91

12.1.6. Coeficient de correlació de Pearson (r) ......................................................................... 91

Pàg. 4 Memòria

12.1.7. Scatterplot ...................................................................................................................... 92

12.2. Resultats ................................................................................................................................... 92

12.2.1. Percentatge d’aprovats a primera convocatòria ............................................................. 92

12.2.2. Evolució del percentatge d’aprovats a primera convocatòria ........................................ 93

12.2.3. Correlació entre variables .............................................................................................. 94

12.2.4. Mitjana de convocatòries per estudiant ....................................................................... 102

12.2.5. Quantitat d’estudiants que passen ............................................................................... 103

12.2.6. Donat un perfil de segon, caràcter de primer............................................................... 107

12.3. Validació................................................................................................................................. 126

13. COSTOS I PLANIFICACIÓ ................................................................................................... 127

13.1. Costos ..................................................................................................................................... 127

13.2. Planificació ............................................................................................................................. 130

13.3. Impacte ambiental .................................................................................................................. 131

CONCLUSIONS ................................................................................................................................. 131

AGRAÏMENTS ................................................................................................................................... 132

BIBLIOGRAFIA ................................................................................................................................. 133

Referències bibliogràfiques ............................................................................................................. 133

Bibliografia complementària ........................................................................................................... 134

ANNEXOS .......................................................................................................................................... 135

I. ANNEX I. GRÀFICS DEL PERCENTATGE D’APROVATS A PRIMERA

CONVOCATÒRIA. ........................................................................................................................ 136

II. ANNEX II. CORRELACIÓ ENTRE VARIABLES. ............................................................. 147

Mecànica Fonamental vs. Mecànica................................................................................................ 147

Nota inferior a 5.0 ....................................................................................................................... 147

Nota inferior a 4.0 ....................................................................................................................... 147

Nota compresa entre 3.5 i 5 ......................................................................................................... 147

Nota compresa entre 3.9 i 5.0 ...................................................................................................... 148

Nota compresa entre 5.0 i 10 ....................................................................................................... 148



Fonaments d’Informàtica vs. Informàtica ....................................................................................... 149

Nota inferior a 3.5 ....................................................................................................................... 149

Nota inferior a 5.0 ....................................................................................................................... 150

Nota compresa entre 5.0 i 10.0 .................................................................................................... 150


Àlgebra Lineal vs. Equacions Diferencials ..................................................................................... 151

Pàg. 5 Memòria

Nota inferior a 3.5 ....................................................................................................................... 151

Nota inferior a 5.0 ....................................................................................................................... 151



Càlcul I vs. Equacions Diferencials ................................................................................................ 152

Nota inferior a 3.5 ....................................................................................................................... 152

Nota inferior a 5.0 ....................................................................................................................... 153



Càlcul II vs. Equacions Diferencials ............................................................................................... 154

Nota inferior a 3.5 ....................................................................................................................... 154

Nota inferior a 5.0 ....................................................................................................................... 154



Química II vs. Materials .................................................................................................................. 155

Nota inferior a 3.5 ....................................................................................................................... 155

Nota inferior a 5.0 ....................................................................................................................... 155



III. ANNEX III. MITJANA DE CONVOCATÒRIES PER ESTUDIANT. ................................ 157

Fase Inicial Tots els cursos ......................................................................................................... 157

Fase Inicial – 2010 ...................................................................................................................... 158

Fase Inicial – 2011 ...................................................................................................................... 159

Fase Inicial – 2012 ...................................................................................................................... 160

Fase Inicial – 2013 ...................................................................................................................... 161

Fase Inicial – 2014 ...................................................................................................................... 162

Fase Inicial – 2015 ...................................................................................................................... 163

Fase No Inicial – Tots els cursos ................................................................................................. 164

Fase No Inicial – 2011 ................................................................................................................. 165

Fase No Inicial – 2012 ................................................................................................................. 166

Fase No Inicial – 2013 ................................................................................................................. 167

Fase No Inicial – 2014 ................................................................................................................. 168

Fase No Inicial – 2015 ................................................................................................................. 169

IV. ANNEX IV. TAULES DEL PERCENTATGE D’ALUMNES QUE PASSEN A SEGON. . 170

Pàg. 6 Memòria

ÍNDEX DE FIGURES Figura 1. Exemple d’una línia del fitxer Dadespersnomespreinsdec16.txt ........................................... 22

Figura 2. Exemple d’una línia del fitxer Dadesqualifaseinicialdec16.txt .............................................. 22

Figura 3. Conversió de enter a string. ................................................................................................... 23

Figura 4. Esquema de relació de fitxers pel refinament de dades. ........................................................ 24

Figura 5. Funció per convertir el tipus d’una variable provinent d’un DataFrame a string. ................. 25

Figura 6. Escriptori Linux des de Oracle VM Virtualbox. .................................................................... 31

Figura 7. Oracle VM Virtualbox Gestor................................................................................................ 32

Figura 8. Emacs. .................................................................................................................................... 32

Figura 9. Logotip de Minitab 16. .......................................................................................................... 33

Figura 10. Logotip de Microsoft Excel. ................................................................................................ 33

Figura 11. Logotip de Python. ............................................................................................................... 34

Figura 12. Exemple de codi en JS. ........................................................................................................ 35

Figura 13. Exemple de codi i estructura de HTML5. ............................................................................ 35

Figura 14. Exemple de l’estructura de CSS........................................................................................... 36

Figura 15. Logotips de HMTL, CSS i JS. ............................................................................................. 36

Figura 16. Càrrega de la llibreria math. ................................................................................................. 37

Figura 17. Sortida de la funció suspesa del fitxer minitab.py. .............................................................. 66

Figura 18. Execució i retorn de la funció mira_primer_parcialment del fitxer minitab.py. .................. 71

Figura 19. Crida i retorn de la funció mira_primer_parcialment_stat del fitxer minitab.py. ................ 72

Figura 20. Matriu de diagrames de punts de relacions de notes de les assignatures de la fase inicial. . 74

Figura 21. Visualització inicial del lloc web dissenyat. ........................................................................ 78

Figura 22. Funcionalitat 1 del lloc web: Mitjana de la fase inicial. ...................................................... 80

Figura 23. Exemple de resultat de la funcionalitat 1 amb codi d’expedient 278080............................. 80

Figura 24. Funcionalitat 2 del lloc web: Mitjana de convocatòries per estudiant. ................................ 80

Figura 25. Resultat de la funcionalitat 2 del lloc web. Gràfic de barres verticals de la fase inicial el

2013. ...................................................................................................................................................... 81

Figura 26. Funcionalitat 3 del lloc web: Percentatge d’aprovats a la primera. ..................................... 81

Figura 27. Resultat de la funcionalitat 3 del lloc web amb Àlgebra Lineal. ......................................... 82

Figura 28. Funcionalitat 4 del lloc web: Càlcul de les estadístiques generals. ...................................... 83

Figura 29. Funcionalitat 5 del lloc web: Percentatge d’alumnes de que suspenen x a segon filtrant per

nota d’accés. .......................................................................................................................................... 83

Figura 30. Resultat de la funcionalitat 5 mostrat en percentatge havent-ne suspès 1 a primer i amb nota

d’accés més gran o igual a 11.2. ............................................................................................................ 84

Figura 31. Resultat de la funcionalitat 5 mostrat en nombres absoluts havent-ne suspès 1 a primer i

amb nota d’accés més gran o igual a 11.2. ............................................................................................ 84

Figura 32. Funcionalitat 6 del lloc web: probabilitat de suspendre’n X a segon havent-ne suspès N a

primer. ................................................................................................................................................... 85

Figura 33. Resultat de la funcionalitat 6 amb N = 2. ............................................................................. 85

Figura 34. Funcionalitat 7 del lloc web: Dibuix de diagrames de punts. .............................................. 86

Figura 35. Resultat de la funcionalitat 7. Gràfic de notes d’Electromagnetisme contra Àlgebra. ........ 86

Figura 36. Funcionalitat 8 del lloc web: Quantitat d’alumnes que passen d’una asignatura a una altra.

............................................................................................................................................................... 87

Figura 37. Resultat de la funcionalitat 8 amb les dades per ordre; 2013, 1, 240011, 2014, 1 240031. . 87

Figura 38. Iniciació del servidor. ........................................................................................................... 88

Figura 39. Boxplot amb mesures extremes. .......................................................................................... 89

Figura 40. Boxplot simple. .................................................................................................................... 89

Pàg. 7 Memòria

Figura 41. Diagrama de barres extret de Google developers. ............................................................... 90

Figura 42. Tipus de correlació segons forma del gràfic. ....................................................................... 91

Figura 43. Diagrama de barres del percentatge d’aprovats a la primera d’Economia i Empresa. ......... 93

Figura 44. Diagrama de barres del percentatge d’aprovats a la primera d’Àlgebra Lineal. .................. 93

Figura 45. Histograma dels suspesos (0) i els aprovats (1) de Mecànica dels expedients que han suspès

Mecànica Fonamental............................................................................................................................ 95

Figura 46. Boxplot de les notes de Mecànica dels expedients que han suspès Mecànica Fonamental . 95

Figura 47. Diagrama de punts (dotplot) de les notes de Mecànica dels expedients que han suspès


Figura 48. Coeficient de correlació i p-valor de la relació entre Mecànica i Mecànica Fonamental dels

expedients que han suspès Mecànica Fonamental. ................................................................................ 96

Figura 49. Histograma de les notes de Mecànica dels expedients que han tret menys d’un 4.0 a


Figura 50. Coeficient de correlació i p-valor de la relació entre les notes de Mecànica i Mecànica

Fonamental dels expedients que han tret menys d’un 4.0 a Mecànica Fonamental. ............................. 97

Figura 51. Gràfic de la mitjana de convocatòries de la fase inicial el 2013. ....................................... 103

Figura 52. Matriu de scatterplots de la fase inicial amb el perfil 1, 2014 1r Quadrimestre. ............... 109









Figura 61. Matriu de scatterplots de la fase inicial amb el perfil 10, 2014 1r Quadrimestre. ............. 118

Figura 62. Matriu de scatterplots de la fase inicial amb el perfil 11, 2014 1r Quadrimestre. ............. 119

Figura 63. Matriu de scatterplots de la fase inicial amb el perfil 1, 2014 2n Quadrimestre. ............... 121



Figura 66. Matriu de scatterplots de la fase inicial amb el perfil 1, 2014 ambdós quadrimestres. ...... 123



Figura 69. Anunci de venta del Asus A53S d’Ebay. ........................................................................... 127

Figura 70. Planificació en quantitat de dies previstos necessaris per finalitzar cada tasca. ................ 130

Figura 71. Percentatge d’aprovats a primera convocatòria d’ Àlgebra Lineal. ................................... 136

Figura 72. Percentatge d’aprovats a primera convocatòria de Càlcul I. .............................................. 136

Figura 73. Percentatge d’aprovats a primera convocatòria de Fonaments d’Informàtica. .................. 137

Figura 74. Percentatge d’aprovats a primera convocatòria de Mecànica Fonamental. ....................... 137

Figura 75. Percentatge d’aprovats a primera convocatòria de Química I............................................ 138

Figura 76. Percentatge d’aprovats a primera convocatòria d’Expressió Gràfica. ............................... 139

Figura 77. Percentatge d’aprovats a primera convocatòria de Geometria. .......................................... 139

Figura 78. Percentatge d’aprovats a primera convocatòria de Química II. ......................................... 140

Figura 79. Percentatge d’aprovats a primera convocatòria de Termodinàmica Fonamental............... 140

Figura 80. Percentatge d’aprovats a primera convocatòria d’Electromagnetisme. ............................. 141

Figura 81. Percentatge d’aprovats a primera convocatòria d’Equacions Diferencials. ....................... 141

Figura 82. Percentatge d’aprovats a primera convocatòria d’Informàtica. ......................................... 142

Figura 83. Percentatge d’aprovats a primera convocatòria de Materials............................................. 142

Pàg. 8 Memòria

Figura 84. Percentatge d’aprovats a primera convocatòria de Mecànica. ........................................... 143

Figura 85. Percentatge d’aprovats a primera convocatòria de Mètodes Numèrics. ............................ 143

Figura 86. Percentatge d’aprovats a primera convocatòria de Dinàmica de Sistemes. ....................... 144

Figura 87. Percentatge d’aprovats a primera convocatòria d’Economia i Empresa. ........................... 144

Figura 88. Percentatge d’aprovats a primera convocatòria d’Estadística. ........................................... 145

Figura 89. Percentatge d’aprovats a primera convocatòria de Projecte I. ........................................... 145

Figura 90. Percentatge d’aprovats a primera convocatòria de Teoria de Màquines i Mecanismes. .... 146

Figura 91. Covariàncies entre les notes de Mecànica Fonamental i Mecànica i entre la nota de

Mecànica Fonamental i l’Estat amb nota inferior a 5. ......................................................................... 147

Figura 92. Coeficient de Pearson i p-valor de la nota de Mecànica Fonamental i l’Estat amb nota

inferior a 4. .......................................................................................................................................... 147

Figura 93. Covariàncies entre les notes de Mecànica Fonamental i Mecànica amb nota inferior a 4. 147


compresa entre 3.5 i 5.......................................................................................................................... 147

Figura 95. Covariàncies entre les notes de Mecànica Fonamental i Mecànica amb nota compresa entre

3.5 i 5. .................................................................................................................................................. 147


compresa entre 3.9 i 5.......................................................................................................................... 148


3.9 i 5. .................................................................................................................................................. 148


compresa entre 5 i 10........................................................................................................................... 148


5.0 i 10. ................................................................................................................................................ 148


compresa entre 7 i 10........................................................................................................................... 148

Figura 101. Covariàncies entre les notes de Mecànica Fonamental i Mecànica amb nota compresa

entre 7 i 10. .......................................................................................................................................... 148


compresa entre 8 i 10........................................................................................................................... 148

Figura 103. Covariàncies entre les notes de Mecànica Fonamental i Mecànica amb nota compresa

entre 8 i 10. .......................................................................................................................................... 149

Figura 104. Scatterplot de les notes de Mecànica Fonamental en front les de Mecànica amb nota

superior a 8. ......................................................................................................................................... 149

Figura 105. Coeficient de Pearson i p-valor de la nota de Fonaments d’Informàtica i Informàtica amb

nota inferior a 3.5. ............................................................................................................................... 149

Figura 106. Covariàncies entre les notes de Fonaments d’Informàtica i Informàtica amb nota inferior a

3.5. ....................................................................................................................................................... 149

Figura 107. Scatterplot de les notes de Fonaments d’Informàtica en front Informàtica amb nota inferior

a 5.0. .................................................................................................................................................... 150


nota inferior a 5. .................................................................................................................................. 150

Figura 109. Covariàncies entre les notes de Fonaments d’Informàtica i Informàtica amb nota inferior a

5. .......................................................................................................................................................... 150


nota compresa entre 5 i 10. .................................................................................................................. 150

Figura 111. Covariàncies entre les notes de Fonaments d’Informàtica i Informàtica amb nota compresa

entre 5 i 10. .......................................................................................................................................... 150

Pàg. 9 Memòria


nota compresa entre 7.5 i 10. ............................................................................................................... 151

Figura 113. Covariàncies entre les notes de Fonaments d’Informàtica i Informàtica amb nota compresa

entre 7.5 i 10. ....................................................................................................................................... 151

Figura 114. Coeficient de Pearson i p-valor de la nota d’Àlgebra Lineal i Equacions Diferencials amb

nota inferior a 3.5. ............................................................................................................................... 151

Figura 115. Covariàncies entre les notes d’Àlgebra Lineal i Equacions Diferencials amb nota inferior a

3.5. ....................................................................................................................................................... 151


nota inferior a 5. .................................................................................................................................. 151

Figura 117. Covariàncies entre les notes d’Àlgebra Lineal i Equacions Diferencials nota inferior a 5.

............................................................................................................................................................. 151



Figura 119. Covariàncies entre les notes d’Àlgebra Lineal i Equacions Diferencials amb nota

compresa entre 5 i 10........................................................................................................................... 152



Figura 121. Covariàncies entre les notes d’Àlgebra Lineal i Equacions Diferencials amb nota inferior a

5. .......................................................................................................................................................... 152

Figura 122. Coeficient Pearson, p-valor i covariàncies entre les notes de Càlcul I i Equacions

Diferencials amb nota inferior a 3.5. ................................................................................................... 152


Diferencials amb nota inferior a 5. ...................................................................................................... 153


Diferencials amb nota compresa entre 5 i 10. ..................................................................................... 153


Diferencials amb nota compresa entre 7.5 i 10. .................................................................................. 153

Figura 126. Coeficient Pearson, p-valor i covariàncies entre les notes de Càlcul II i Equacions

Diferencials amb nota inferior a 3.5. ................................................................................................... 154


Diferencials amb nota inferior a 5. ...................................................................................................... 154


Diferencials amb nota compresa entre 5 i 10. ..................................................................................... 154


Diferencials amb nota compresa entre 7.5 i 10. .................................................................................. 155

Figura 130. Coeficient Pearson, p-valor i covariàncies entre les notes de Química II i Materials amb

nota inferior a 3.5. ............................................................................................................................... 155


nota inferior a 5. .................................................................................................................................. 155





Figura 134. Gràfic de les mitjanes de convocatòries de la fase inicial per a tots els cursos................ 157

Figura 135. Gràfic de les mitjanes de convocatòries de la fase inicial el 2010. .................................. 158



Pàg. 10 Memòria




Figura 141. Gràfic de les mitjanes de convocatòries de la fase no inicial de tots els cursos. .............. 164

Figura 142. Gràfic de les mitjanes de convocatòries de la fase no inicial el 2011. ............................. 165





Pàg. 11 Memòria

ÍNDEX DE TAULES Taula 1. Estructura del fitxer Dadespersnomespreinsdec16.txt ............................................................ 22

Taula 2. Estructura del fitxer Dadesqualifaseinicialdec16.txt ............................................................... 22

Taula 3. Estructura bàsica pel funcionament de Flask. ......................................................................... 39

Taula 4. Resum tècnic filtre_personal. .................................................................................................. 41

Taula 5. Resum tècnic filtre_inicial. ..................................................................................................... 42

Taula 6. Resum tècnic filtre_no_inicial................................................................................................. 42

Taula 7. Resum tècnic to_str. ................................................................................................................ 43

Taula 8. Resum tècnic conjunt. ............................................................................................................. 43

Taula 9. Resum tècnic elimina_conjunt_ini. ......................................................................................... 43

Taula 10. Resum tècnic conjunt_no_ini. ............................................................................................... 44

Taula 11. Resum tècnic elimina_1_3. ................................................................................................... 44

Taula 12. Resum tècnic long_filtre. ...................................................................................................... 45

Taula 13. Resum tècnic genera_fitxers. ................................................................................................ 45

Taula 14. Estructura del fitxer PrimeraConv_ini.txt. ............................................................................ 46

Taula 15. Resum tècnic primeres_convocatories_inicial. ..................................................................... 46

Taula 16. Resum tècnic neteja_fitxer. ................................................................................................... 46

Taula 17. Resum tècnic percentatge_aprovats_assig. ........................................................................... 47

Taula 18. Resum tècnic percentatge_aprovats_assig_inicial. ............................................................... 47

Taula 19. Resum tècnic percentatge_aprovats_assig_no_inicial. ......................................................... 48

Taula 20. Resum tècnic mitjana_est_inicial. ......................................................................................... 48

Taula 21. Resum tècnic mitjana_est_ects_ini. ...................................................................................... 48

Taula 22. Resum tècnic historial. .......................................................................................................... 49

Taula 23. Resum tècnic hist_inicial. ..................................................................................................... 49

Taula 24. Estructura del fitxer Historial.txt. .......................................................................................... 50

Taula 25. Ordre del fitxer Historial.txt. ................................................................................................. 50

Taula 26. Resum tècnic fitxer_historial_ini. ......................................................................................... 50

Taula 27. Resum tècnic historial_detallat. ............................................................................................ 50

Taula 28. Resum tècnic historial_noini. ................................................................................................ 51

Taula 29. Resum tècnic hist_noinicial. ................................................................................................. 51

Taula 30. Estructura del fitxer Historial_noini.txt. ................................................................................ 52

Taula 31. Ordre del fitxer Historial_noini.txt. ....................................................................................... 52

Taula 32. Resum tècnic fitxer_historial_noini. ..................................................................................... 52

Taula 33. Resum tècnic historial_noinidetallat. .................................................................................... 53

Taula 34. Resum tècnic pinta_stacked_bar. .......................................................................................... 53

Taula 35. Estructura del fitxer PrimeraConv_1Quad_segon.txt............................................................ 54

Taula 36. Resum tècnic perfils_primer_quad_segon. ........................................................................... 54

Taula 37. Resum tècnic perfils_segon_quad_segon. ............................................................................. 54


Taula 39. Ordre de les llistes, valor del diccionari. ............................................................................... 55

Taula 40. Resum tècnic fes_dic. ............................................................................................................ 55

Taula 41. Resum tècnic fes_dist. ........................................................................................................... 56

Taula 42. Resum tècnic knei. ................................................................................................................ 57

Taula 43. Resum tècnic scatter. ............................................................................................................. 57

Taula 44. Resum tècnic imatge_primer. ................................................................................................ 58

Taula 45. Resum tècnic boxp. ............................................................................................................... 58

Taula 46. Resum tècnic mit_convoc. .................................................................................................... 60

Pàg. 12 Memòria

Taula 47. Resum tècnic pinta_convocatories. ....................................................................................... 61

Taula 48. Resum tècnic percen_aprovats_primera. ............................................................................... 61

Taula 49. Resum tècnic pinta_percen. ................................................................................................... 61

Taula 50. Informació que retorna la funció basic_statistics. ................................................................ 62

Taula 51. Resum tècnic basic_statistics. ............................................................................................... 62

Taula 52. Resum tècnic primerasuspesa. ............................................................................................... 63


Taula 54. Resum tècnic primeraprovada. .............................................................................................. 64

Taula 55. Resum tècnic susp. ................................................................................................................ 66

Taula 56. Resum tècnic suspesa. ........................................................................................................... 66

Taula 57. Resum tècnic prob. ................................................................................................................ 67

Taula 58. Resum tècnic ambsele. .......................................................................................................... 67

Taula 59. Resum tècnic perc. ................................................................................................................ 68

Taula 60. Resum tècnic dicc_complex. ................................................................................................. 69

Taula 61. Resum tècnic distancia_complexa. ........................................................................................ 70

Taula 62. Resum tècnic knei_complex. ................................................................................................. 70

Taula 63. Resum tècnic mira_primer_parcialment. .............................................................................. 71

Taula 64. Retorn i ordre de l’execució de la funció mira_primer_parcialment_stat. ............................ 72

Taula 65. Resum tècnic mira_primer_parcialment_stat. ....................................................................... 73

Taula 66. Resum tècnic mira_primer_sencer. ....................................................................................... 73

Taula 67. Resum tècnic mira_primer_sencer. ....................................................................................... 74

Taula 68. Resum tècnic fit_df. .............................................................................................................. 74

Taula 69. Resum tècnic dib_scatmat. .................................................................................................... 75

Taula 70. Resum tècnic prepara_dades_scatter_web. ........................................................................... 75

Taula 71. Resum tècnic quants_passen. ................................................................................................ 76

Taula 72. Resum tècnic quantspassenmillorat....................................................................................... 77

Taula 73. Criteri d’acceptació o rebuig d’una hipòtesi. ........................................................................ 91

Taula 74. Resultats de l’estudi en tant per cent. Percentatges d’aprovats a la primera de totes les

assignatures filtrant per cursos. ............................................................................................................. 92

Taula 75. Caracterització d’estat. .......................................................................................................... 94

Taula 76. Coeficients de correlació i p-valor de les relacions entre les notes de Mecànica i Mecànica

Fonamental segons les condicions imposades. ...................................................................................... 98

Taula 77. Coeficients de correlació i p-valor de les relacions entre les notes de Fonaments

d’Informàtica i Informàtica segons les condicions imposades. ............................................................. 99

Taula 78. Coeficients de correlació i p-valor de les relacions entre les notes d’Àlgebra Lineal i

Equacions Diferencials segons les condicions imposades. ................................................................. 100

Taula 79. Coeficients de correlació i p-valor de les relacions entre les notes de Càlcul I i Equacions

Diferencials segons les condicions imposades. ................................................................................... 100

Taula 80. Coeficients de correlació i p-valor de les relacions entre les notes de Càlcul II i Equacions

Diferencials segons les condicions imposades. ................................................................................... 101

Taula 81. Coeficients de correlació i p-valor de les relacions entre les notes de Química II i Materials

segons les condicions imposades. ....................................................................................................... 101

Taula 82. Mitjana de convocatòries per estudiant el 2013 de la fase inicial. ...................................... 102

Taula 83. Quantitat d’estudiants que han cursat ambdues assignatures. ............................................. 103

Taula 84. Percentatge d’estudiants que passen a cursar Electromagnetisme havent cursat Àlgebra

Lineal en cursos i quadrimestres concrets. .......................................................................................... 104

Taula 85. Percentatge d’estudiants que passen a cursar Equacions Diferencials havent cursat Àlgebra

Lineal en cursos i quadrimestres concrets. .......................................................................................... 105

Pàg. 13 Memòria

Taula 86. Percentatge d’estudiants que passen a cursar Teoria de Màquines i Mecanismes havent

cursat Àlgebra Lineal en cursos i quadrimestres concrets. .................................................................. 106

Taula 87. Quatre quadrants que marquen les zones d’aprovats i suspesos. ........................................ 107

Taula 88. Noms d’assignatura abreujats. ............................................................................................. 108

Taula 89. Fitxa tècnica de l’ordinador portàtil. ................................................................................... 127

Taula 90. Detall del càlcul de la depreciació de l’ordinador portàtil. ................................................. 128

Taula 91. Dades de les mitjanes de convocatòries de la fase inicial per a tots els cursos. .................. 157

Taula 92. Dades de les mitjanes de convocatòries de la fase inicial el 2010. ..................................... 158






Taula 98. Dades de les mitjanes de convocatòries de la fase no inicial per a tots els cursos. ............. 164

Taula 99. Dades de les mitjanes de convocatòries de la fase no inicial el 2011. ................................ 165

Taula 100. Dades de les mitjanes de convocatòries de la fase no inicial el 2012. .............................. 166




Taula 104. Percentatges (%) d’alumnes que passen d’Àlgebra a Electromagnetisme en les condicions

especificades. ....................................................................................................................................... 170

Taula 105. Percentatges (%) d’alumnes que passen d’Àlgebra a Equacions Diferencials en les

condicions especificades. .................................................................................................................... 170

Taula 106. Percentatges (%) d’alumnes que passen d’Àlgebra a Informàtica en les condicions

especificades. ....................................................................................................................................... 170

Taula 107. Percentatges (%) d’alumnes que passen d’Àlgebra a Materials en les condicions

especificades. ....................................................................................................................................... 171

Taula 108. Percentatges (%) d’alumnes que passen d’Àlgebra a Mecànica en les condicions

especificades. ....................................................................................................................................... 171

Taula 109. Percentatges (%) d’alumnes que passen d’Àlgebra a Mètodes Numèrics en les condicions

especificades. ....................................................................................................................................... 171

Taula 110. Percentatges (%) d’alumnes que passen d’Àlgebra a Dinàmica de Sistemes en les

condicions especificades. .................................................................................................................... 172

Taula 111. Percentatges (%) d’alumnes que passen d’Àlgebra a Economia i Empresa en les condicions

especificades. ....................................................................................................................................... 172

Taula 112. Percentatges (%) d’alumnes que passen d’Àlgebra a Estadística en les condicions

especificades. ....................................................................................................................................... 172

Taula 113. Percentatges (%) d’alumnes que passen d’Àlgebra a Projecte I en les condicions

especificades. ....................................................................................................................................... 173

Taula 114. Percentatges (%) d’alumnes que passen d’Àlgebra a Projecte I en les condicions

especificades. ....................................................................................................................................... 173

Pàg. 14 Memòria

1. GLOSSARI

ERP: Enterprise Resource Planning. Concepte que s’utilitza quan es parla d’un software

encarregat de gestionar tots els moviments, comandes i pagaments que una empresa pot tenir.

Representa l’automatització de l’empresa.

Stackoverflow: Comunitat web on els desenvolupadors realitzen consultes. Fòrum de

consultes informàtiques amb molta varietat de temes. [2]

Tag: etiqueta que en HMTL i XML es representa com: <tag> i conté informació, un valor.

If: En llenguatge de programació, declara una sentència condicional.

For: En llenguatge de programació, declara una sentència iterativa en un rang de valors.

While: En llenguatge de programació, declara una sentència iterativa mentre es compleixi una

condició.

Try...catch: En llenguatge de programació, prova unes sentències de codi i, si aquestes

sentències retornen un error, executa les següents.

H0, H1: Termes estadístics que simbolitzen la Hipòtesi nul·la i la Hipòtesi alternativa,

respectivament.

α de significació: Nivell de significació d’una prova estadística, normalment val 0,05.

Bug: en llenguatge informàtic, es tracta d’un error, incidència en el codi que produeix un

problema en la màquina i no retorna el que s’espera de cada programa i/o funció.

Debugging: fer de detectiu examinant cada línia de codi per trobar el bug del programa. [1]

Open-source: denota el software, codi original del qual es va dissenyar per estar disponible

de forma gratuïta i podent ser distribuït i modificat.

Command Window: Terminal de l’ordinador on, per mitjà de comandes, es poden executar

programes i fer un ús corrent de l’ordinador.

DataFrame: element dos-dimensional que té columnes d’objectes de diferents tipus.

Scatterplot: diagrama de punts que relaciona dues variables. Normalment emprat per a

visualitzar les possibles correlacions entre aquestes dues variables. No confondre amb els

dotplots.

Pàg. 15 Memòria

Dotplot: diagrama de punts que mostra la freqüència amb la que es repeteix un valor

mitjançant punts.

Array: tipus especial de variable que pot emmagatzemar més d’un valor al mateix temps.

K-nearest neighbors: mètode de classificació no paramètric que té com a objectiu buscar els

k elements que es comporten de forma semblant a un element donat.

Checkbox: tipus específic de botó de dos estats, marcat o desmarcat.

Form: en HTML, és la secció d’un document que conté contingut normal i elements especials

com checkboxes, menús, etc, que és omplert per l’usuari abans d’enviar-ho al servidor.

Pàg. 16 Memòria

2. PREFACI

2.1. Origen del treball

Aquest treball neix com a continuació de l’assignatura de Projecte I, Gestió de notes de

l’ETSEIB. Si bé s’orienta totalment diferent, la idea inicial era seguir el fil de l’assignatura

havent tingut un contacte previ amb el format de les dades i havent sabut com enfocar el

tractament.

2.2. Motivació

L’interès pel tractament i l’anàlisi de dades ha estat present en mi des del primer dia que em

van demostrar que analitzant les dades i representant-les de forma adient se’n podien treure

conclusions que a simple vista eren inimaginables.

El fet de viure en un món tan canviant i amb tanta quantitat d’informació fa que cobri sentit,

cada vegada més, interessar-se per les dades i l’anàlisi d’aquest volum d’informació, per ser

capaços d’entendre la situació actual i per poder, inclús, preveure què passarà en el futur

veient quines eren i són les tendències del passat.

La meva primera presa de contacte amb el món de les dades i la gestió de les mateixes va ser

al cursar Projecte I, Disseny i desenvolupament de software en Python, on s’havia de fer el

tractament de les dades dels resultats acadèmics de l’ETSEIB per tal d’analitzar-les i

extreure’n resultats que l’usuari pogués triar com mostrar-los i quins mostrar a partir d’un

software adaptat als requeriments. És des d’haver cursat Projecte I que l’ambició d’aprofundir

en el tema existeix i, és el principal motiu pel qual realitzo el Treball Fi de Grau sobre aquest

tema.

Com a additiu, he cursat les pràctiques curriculars del grau a una consultoria treballant amb el

software, ERP (Enterprise Resource Planning), SAP. Treballant amb volums reals de dades

emmagatzemats en bases de dades de varis milions de línies he après la importància que té

treballar amb el programa òptim amb sentències que requereixin el mínim de memòria del

programa per processar-la. També el fet de fer ‘debugging’ de funcions i programes implica

ser conscient de la importància de saber què és el que fa cada sentència del codi i què crida. El

fet de treballar amb dades i poder veure aplicació directa dels coneixements de programació

ha fet que volgués decantar-me per poder analitzar les dades acadèmiques del grau en

Enginyeria en Tecnologies Industrials.

Pàg. 17 Memòria

És de gran interès, en opinió pròpia, veure la evolució de l’historial dels estudiants en aquesta

escola. Sobretot, centrar l’estudi en el pas de la fase inicial a la fase no inicial, ja que hi ha una

tendència general en pensar que la fase inicial és molt dura, però realment el pas a segon no és

totalment senzill.

En resum, el treballar amb gran quantitat de dades amb Python i el fet de poder veure el canvi

que experimenten els estudiants a l’ETSEIB focalitzat en el pas de primer a segon curs és el

que ha fet decantar-me i el que m’ha motivat a dur a terme aquest treball.

2.3. Requeriments previs

El Treball Fi de Grau objecte d’estudi requereix una sèrie de coneixements previs de

programació i de tractament de bases de dades. Es podria afrontar sense aquests darrers però,

suposaria una inversió de temps important. Els coneixements de Python són absolutament

necessaris, així com el domini del llenguatge per poder treballar amb facilitat amb diccionaris,

llistes i estructures iteratives i condicionals de gran volum. Tot això és necessari per poder

intentar trobar les sentències adequades per optimitzar el rendiment d’execució i per arribar al

resultat esperat sense massa complicació.

Pàg. 18 Memòria

3. INTRODUCCIÓ

3.1. Objectius del treball

El principal objectiu d’aquest treball fi de grau és analitzar el comportament dels estudiants

del grau en Enginyeria en Tecnologies Industrials de l’Escola Tècnica Superior d’Enginyeria

Industrial de Barcelona al passar la fase selectiva, és a dir, en el pas del primer al segon curs.

Al tractar-se d’un treball que relaciona la informàtica amb l’estadística, té ampli ventall

d’objectius, que són el següents:

- Assentar unes bases per a futurs possibles estudis.

- Ampliar coneixements del llenguatge de programació Python (versió 3) enfocat en

buscar bons rendiments i el màxim de velocitat d’execució que sigui possible.

- Treballar amb bases de dades de mida gran i saber filtrar-les de manera desitjada per

obtenir un resultat concret fent ús de llibreries com pandas.

- Observar i analitzar el comportament acadèmic i les distribucions de notes dels dos

primers cursos del grau d’Enginyeria en Tecnologies Industrials. Estudiant el que té

lloc, concretament, en el pas de primer a segon.

- Veure quin perfil té un estudiant al segon curs i buscar com es comporten els seus

semblants a primer.

- Aplicar els coneixements adquirits a les assignatures d’Estadística i Tècniques

Estadístiques per a la Qualitat, per realitzar un estudi acurat amb fonament teòric.

- Analitzar la relació que existeix, si existeix, entre obtenir una nota concreta havent-ne

obtingut una altra en una altra assignatura. Això també aplica a conjunts de notes, per

exemple; un estudiant que treu x nota en una assignatura i y nota en una altra, quines

notes treu en la fase inicial?

- Respondre a múltiples preguntes que es vagin presentant i que puguin ser d’interès en

l’anàlisi de les notes.

- Crear un lloc web amb HTML i CSS; JavaScript i Python per tal de poder mostrar els

resultats que l’usuari triï a Internet amb una interfície senzilla i intuïtiva, així com

també adaptable a dispositius mòbils i orientable segons la posició del mòbil.

(JavaScript per les funcions en destinatari i Python per les execucions en fons des del

servidor)

Pàg. 19 Memòria

3.2. Abast del treball

Es tracta d’un treball de caràcter ambiciós, ja que inclou tot un tractament de dades, un anàlisi

dels resultats i bolcar alguns dels resultats en un lloc web. Aquest lloc web s’ha de dissenyar i

s’ha de polir.

Cal doncs, una programació en Python, JavaScript, CSS i HTML des de zero, és a dir, partint

de fitxers en blanc. Cal la revisió de cada funció o representació que es porti a terme per tal de

poder garantir el correcte funcionament de la plataforma.

S’intenta incloure un disseny d’interfície gràfica del lloc web agradable per l’usuari i que, a

poder ser, sigui ajustable segons l’ús que se’n faci, des de telèfon mòbil fins a pantalla

d’ordinador.

Vista la mida de l’abast es creu que, el treball, pot ser útil per a futurs estudis, ja que engloba

moltes funcionalitats i tot s’explicarà amb un llenguatge pla.

Pàg. 20 Memòria

4. CONTEXT

En un món dominat per la tecnologia digital, cada dia cobra més força el terme ‘Mineria de

Dades’ per tractar el ‘Big Data’. Les dades es generen contínuament a partir de pràcticament

tots els dispositius electrònics que avui en dia acompanyen a la societat. Des de el telèfon

mòbil, que posiciona geogràficament, emmagatzema registres de trucades, ús general, ús dins

les aplicacions... fins les compres que es fan al supermercat amb la targeta client, passant pels

sensors que es troben a les faroles i fonts públiques, el món que ens envolta gira al voltant de

la informació i l’anàlisi de la mateixa. Segons Forbes, investigadors de la universitat de

Berkeley, van estimar que el món havia generat 1,5 mil milions de gigabytes l’any 1999. Tres

anys més tard, el 2003, aquesta xifra es triplicava. Avui dia, al cap de 14 anys d’evolució

tecnològica exponencial, el valor inicial pot ser considerat negligible en front l’actual.

Les grans empreses líders estan tan ben posicionades perquè, entre altres, utilitzen la

immensitat de dades que generen, ja sigui per estudiar els seus potencials clients, com per

vendre aquestes dades a altres empreses perquè les puguin analitzar i aplicar als seus

respectius sectors. Empreses com Google, Amazon, Walmart són clars exemples d’aquest

fenomen; han observat que generen un gran volum de dades i han sabut analitzar-les per

treure’n profit.

El ‘Big Data’ es defineix com dades de gran mida, típicament el grau de manipulació de les

quals presenta reptes lògics, en el Oxford English Dictionary, o bé com, segons l’estudi del

‘Big Data’ de 2011 de McKinsey [22], conjunts de dades la mida dels quals està per sobre de

les possibilitats de les típiques eines d’emmagatzematge, administració i anàlisi de les bases

de dades. Com es denota en aquestes definicions, és un concepte molt variant alhora que

subjectiu i proporciona un repte constant a tothom que en vulgui prendre part.

Si bé és cert que el ‘Big Data’ afavoreix a les grans empreses, ja que són les que poden

generar més volum de dades, també es pot aplicar en d’altres més petites i, inclús en entitats

públiques, universitats, etc.

El cas que és objecte d’estudi en aquest treball final de grau, és una aplicació d’aquest

concepte a escala reduïda. Es treballarà amb la base de dades de les diverses matrícules dels

estudiants de l’Escola Tècnica d’Enginyeria Industrial de Barcelona a partir del grau. Tot i

estant molt lluny dels grans volums de dades que tracten les grans empreses, el concepte

d’anàlisi, estudi i tractament de les dades es podria equiparar al que seria treballar amb un

conjunt de dades molt més voluminós.

Pàg. 21 Memòria

Així doncs, és d’interès buscar la optimització dels processos per tal de reduir els temps

d’execució dels programes i de les funcions, ja que en volums grans de dades es parla de

temps d’execució que poden durar més de 24 hores. Això comporta haver d’escriure codi amb

pocs errors, ja que per testejar o fer ‘debug’ a vegades cal arribar al final de l’execució.

5. PROBLEMA A RESOLDRE

El principal problema que es presenta és el tractament del format de dades. Caldrà realitzar

una sèrie de filtres per anar eliminant línies de les bases de dades que no siguin d’interès per

acomplir els objectius estipulats en l’apartat d’objectius.

Aquest problema va acompanyat del tractament de les dades, ja que per tractar-les és

necessari realitzar un seguit important de canvis tenint en compte moltes variables i fent un ús

extensiu de diccionaris i llistes.

Com a altres problemes que es plantejaran, apareix el treballar amb una llibreria desconeguda

com és Flask i poder-ne treure el màxim profit. La connexió de Python amb llocs web, encara

que siguin en servei local, no és un tema que s’hagi tractat en cap assignatura i és per aquest

mateix motiu que es planteja com a un problema a tenir present.

Per altra banda, si bé és cert que com a problema no es definiria, és el volum de feina que

suposa dur a terme totes les idees que s’han plantejat anteriorment per tal d’acomplir els

objectius establerts.

Pàg. 22 Memòria

6. ANÀLISI DEL PROBLEMA

6.1. Format de les dades rebudes El primer problema es presenta amb el format de les dades rebudes provinents dels servidors

PRISMA de la UPC. Es reben tres fitxers diferents amb diferents estructures:

Dadespersnomespreinsdec16.txt

Fitxer que conté totes les dades de cada estudiant segons la seva primera matrícula.

L’estructura d’aquest fitxer és la següent en forma de taula separant els camps amb punt i

coma:

Codi

Grau

Codi

Expedient Sexe

Codi postal

família

Any

accés

Tipus

accés

Via

accés

Nota

accés

Centre de

secundària

Codi postal del

centre de

secundària

Taula 1. Estructura del fitxer Dadespersnomespreinsdec16.txt

Els camps de la Taula 1. Estructura del fitxer Dadespersnomespreinsdec16.txt

que apareixen marcats amb un fons de color són els que resulten de cert interès per

l’estudi que es vol dur a terme. És cert que el codi del grau serveix simplement pel

primer filtre i a posteriori ha de desaparèixer, ja que l’objecte del treball és centrar-se

en estudiants que cursen el grau en Enginyeria en Tecnologies Industrials.

Dadesqualifaseinicialdec16.txt

Fitxer que conté les dades de les matrícules i les notes dels diferents expedients de la fase

inicial. L’estructura d’aquest fitxer és la següent en forma de taula separant els camps amb

punt i coma:

Codi

Grau

Codi

Expedient

Codi

assignatura Crèdits Any

Quadri-

mestre

Indicador de

si supera o

no

Nota

professor

Nota

avaluació

Nota

definitiva

Grup de

classe

Taula 2. Estructura del fitxer Dadesqualifaseinicialdec16.txt

Figura 1. Exemple d’una línia del fitxer Dadespersnomespreinsdec16.txt

Figura 2. Exemple d’una línia del fitxer Dadesqualifaseinicialdec16.txt

Pàg. 23 Memòria

Dadesqualifasenoinicialdec16.txt

Fitxer que conté les dades de les matrícules i les notes dels diferents expedients de la fase no

inicial. Aquest fitxer té exactament la mateixa estructura que la mostrada en la Taula 2 i en la

Figura 2, la diferència és que conté la informació de la fase no inicial.

Així doncs, es presenten dos problemes degut al format. S’han de tractar els diferents fitxers

per tal d’obtenir només els estudiants del grau en Enginyeria en Tecnologies Industrials, s’han

d’eliminar les columnes corresponents a l’indicador de si supera o no l’assignatura, la nota del

professor, etc.

A part d’això, també cal canviar les comes per punts en els camps numèrics que siguin reals i

no enters, com les notes i el nombre de crèdits.

6.2. Lectura del fitxer en codificació concreta

Degut a l’ús d’una màquina virtual, la lectura d’un fitxer amb extensió ‘.txt’ o ‘.csv’ separat

per comes, Python retorna l’error de codificació. No és capaç de llegir els fitxers rebuts del

servidor Prisma en codificació UTF-8. Cal evitar aquest error per tal de poder fer el

tractament de les dades.

6.3. Conversió d’una variable de tipus enter a string

Com és sabut, el canvi del tipus d’un valor d’una variable, o el canvi de tipus d’un objecte a

Python és un canvi senzill que s’invoca de la següent manera:

Imaginem que tenim una variable de tipus enter i la volem convertir a string.

D’aquesta manera es pot canviar el tipus d’una variable. Però, al

treballar amb un valor extret d’una columna d’un DataFrame de

pandas, Python dóna, algunes vegades, problemes en la

conversió.

6.4. Temps d’execució excessiu Durant aquest treball es treballa amb volums de dades importants i, és per això que la

optimització de codi és important per reduir els temps d’execució. Al haver de fer estructures

iteratives dins d’estructures iteratives i el treballar amb llistes implica un increment important

del temps d’execució que serà un problema si no es tracta adequadament.

Figura 3. Conversió de enter a string.

Pàg. 24 Memòria

7. DESCRIPCIÓ DE LA SOLUCIÓ

7.1. Filtre i refinament de dades Consten un total de 3306 codis d’expedient diferents en les dades extretes del servidor Prisma

(fitxer amb informació de les primeres matrícules). Havent aplicat el filtre per tal de poder-les

tractar amb comoditat, s’ha vist que era necessari assegurar que els expedients del fitxer

d’estudiants fossin al fitxer de primer i al fitxer de segon. I, que els de primer estiguessin

obligatòriament al de segon i al revés.

Aplicant la primera condició, que els

codis d’expedient dels estudiants de

primer estiguin al de segon, el

nombre de dades es veu reduït a 2581

codis d’expedient diferents. I, quan

s’aplica la darrera imposició, el

nombre passa a ser el definitiu 1871

codis d’expedient amb els que es

treballarà.

7.2. Codificació Per a poder evitar l’error que Python retorna al llegir els fitxers en la màquina virtual que

s’utilitza en aquest treball, s’ha de trobar una codificació que sigui llegible pel mateix

llenguatge.

Així doncs, la solució que no afecta a rendiment i que a terme usuari el resultat no varia és la

codificació en ISO-8859-1. Per tal de poder utilitzar aquesta codificació s’ha d’escriure una

sentència semblant a la següent:

f = open(‘Dadesqualifaseinicialdec16.txt’,’r’,encoding = “ISO-8859-1”)

Figura 4. Esquema de relació de fitxers pel refinament de dades.

Pàg. 25 Memòria

7.3. Conversió a string Tal i com s’ha detallat en l’apartat de l’anàlisi del problema, quan s’obté un registre d’un

DataFrame, pot donar-se que Python no sigui capaç de convertir el tipus del valor en string.

Per evitar aquest error hi ha una solució raonablement bona que consisteix en fer una crida a

una altra funció del mateix document que s’adjunta a continuació (vegeu Figura 5).

Aquesta funció s’ha extret d’un fòrum d’Internet on la gent comparteix i soluciona dubtes

d’aquest estil. [2]

7.4. Temps d’execució excessius Per a reduir els temps d’execució s’utilitzen conjunts de dades enlloc de llistes durant el

refinat dels fitxers. També es creen fitxers de text amb dades rellevants que es podran

necessitar en altres anàlisis i, d’aquesta manera poder guanyar cert temps en l’execució.

Es treballa intensivament amb diccionaris de Python, ja que són estructures molt ràpides de

referenciar en comparació amb les llistes.

Figura 5. Funció per convertir el tipus d’una variable provinent d’un DataFrame a string.

Pàg. 26 Memòria

8. FUNCIONALITATS I REQUERIMENTS A continuació es comenten tota una sèrie de funcionalitats que es voldran resoldre a partir de

les funcions que es veuran en el capítol 11.1 i de les eines que es detallen en els capítols 9 i

10. Aquest capítol té per objectiu rebaixar el nivell tècnic i poder fer una explicació de tot el

que s’inclourà en la implementació amb Python. Com que el treball té també per objectiu

assentar les bases per a futurs estudis, es contemplaran moltes funcionalitats extra per tal de

poder ampliar aquest ventall de possibilitats.

8.1. Filtre Pel filtre inicial es requereix eliminar tots els expedients que no cursin el Grau en Enginyeria

en Tecnologies Industrials, tots els que tinguin una nota d’accés inferior a 9,00 i tots els que

van entrar abans de 2010 també seran eliminats. Aquest filtre haurà de ser aplicat a tots els

tres fitxers rebuts, tant el de dades personals com el de dades de la fase inicial com el de dades

de la fase no inicial. (11.1.1)

Caldrà fer un refinat d’aquest filtre treballant amb conjunts de Python. D’aquesta manera

s’eliminaran tots els estudiants que estiguin en tan sols un fitxer i es garantirà la relació de tots

tres fitxers i el correcte funcionament de les futures funcions creades. (11.1.2.2 - 11.1.2.5)

Pel tractament futur de dades serà de molta utilitat disposar d’un fitxer que tingui tota la

informació d’un estudiant en una sola línia amb el nombre de convocatòries de cada

assignatura i el valor de la nota obtinguda la darrera vegada. Aquest fitxer serà necessari tant

com per la fase inicial com per la fase no inicial.

Per a generar aquests fitxers caldran un seguit de funcions que hauran de seguir una sèrie de

premisses; seran funcions que es cridaran entre elles. Es necessitarà una funció que retorni un

diccionari (estructura més ràpida i més volàtil) amb clau el codi d’expedient i valor un altre

diccionari. Aquest segon haurà de tenir per clau el codi de l’assignatura i per valor un llistat o

una estructura amb totes les notes de les diferents convocatòries, si les té, de l’assignatura en

qüestió. (11.1.3.6, 11.1.3.10) A posteriori, caldrà una altra funció, o bé dins la mateixa, que

retorni un altre diccionari amb clau el codi d’expedient d’un estudiant i valor un llistat amb

informació del sexe, any d’accés i nota d’accés. A més a més, dins d’aquesta llista hi haurà

d’haver diccionari amb el diccionari de nivell més intern de la funció anterior, és a dir, un

diccionari amb les assignatures com a clau i com a valor una llista amb les notes de les

diferents convocatòries, en cas de tenir-ne més d’una. (11.1.3.7, 11.1.3.11) Un cop s’obtingui

tota aquesta informació ordenada d’aquesta manera o de forma semblant, caldrà escriure el

Pàg. 27 Memòria

fitxer de text on cada estudiant ocuparà una sola i única línia. (11.1.3.8, 11.1.3.10) Tota

aquesta funcionalitat haurà de ser coberta tant per la fase inicial com per la fase no inicial.

De manera semblant, serà interessant disposar d’una funció que recopili tota la informació,

inclosa la informació de curs i quadrimestre, de la fase inicial i una altre per la fase no inicial

de cada estudiant. Caldrà doncs, retornar un diccionari amb el codi d’estudiant com a clau i

com a valor un altre diccionari. Aquest darrer haurà de tenir com a clau el codi d’assignatura i

com a valor una llista de tuples on cada tuple representarà una convocatòria amb la nota de la

convocatòria que toqui, el curs i el quadrimestre. (11.1.3.9, 11.1.3.13)

Per estudis a primera convocatòria, caldrà haver generat fitxers que continguin les dades de la

primera convocatòria amb el curs, el quadrimestre i la nota obtinguda. (11.1.2.8, 11.1.4.1,

11.1.4.2)

8.2. Estudi bàsic de les dades Per al càlcul del percentatge d’aprovats a primera convocatòria d’una assignatura caldrà una

funció que, segons el valor de l’assignatura entrada com a paràmetre d’entrada, executi la

lògica corresponent llegint un fitxer de text o un altre, segons si es tracta de la fase inicial o

no. (11.1.3.1)

Per al càlcul de les mitjanes de les qualificacions d’un estudiant, és interessant tenir la mitjana

real, tot ponderant per crèdit i, la mitjana sense tenir en compte aquesta ponderació, per

observar com varia. Simplement com a anàlisi inicial de les dades i per familiaritzar-se amb

les dades. (11.1.3.4, 11.1.3.5)

8.3. Estudi intermedi de les dades Pel càlcul de distàncies caldrà una funció que creï un diccionari amb clau el codi d’expedient i

valor una llista ordenada d’una manera específica les notes de primera convocatòria.

(11.1.4.4)

A posteriori es requerirà una funció que s’encarregarà de comparar cada estudiant amb els

estudiants d’aquest anterior diccionari fent un càlcul de la distància que els separa amb

respecte a les notes. Aquesta funció haurà de retornar un diccionari amb clau el codi

d’expedient però amb valor la distància que els separa per a poder ordenar-los i prendre’n els

k més propers. (11.1.4.5) La funció que farà la tria dels k veïns més propers haurà de retornar

les parelles estudiant, distància en forma de tuple, per exemple. (11.1.4.6)

Pàg. 28 Memòria

Es voldrà fer una funció que donat un perfil de notes d’un quadrimestre concret de segon,

retorni un diccionari amb un llistat de les notes de les assignatura clau de la fase inicial dels k

veïns més propers trobats a segon. D’aquesta manera es podrà veure el comportament a

primer donat un perfil de segon a partir de les notes de primera convocatòria. (11.1.4.8)

Es dissenyarà una funció que permeti el càlcul de la mitjana de convocatòries que té cada

estudiant per cada assignatura segons el curs. Aquest nou paràmetre serà útil per veure la

dificultat que presenta cada assignatura. (11.1.5.1)

Com a tot anàlisi, es contemplarà una funcionalitat que consistirà en generar paràmetres

estadístics de cada assignatura en un curs i un quadrimestre concret com són la mitjana, la

mediana els quartils, ... de les qualificacions de l’assignatura en qüestió. (11.1.5.5)

8.4. Estudi avançat de les dades Es requerirà una funció que generi un fitxer amb dues columnes, la nota de l’assignatura de

primer i la de segon, on cada estudiant que l’hagi cursat serà una fila. Permetrà entrar un rang

de notes de l’assignatura de primer i només omplirà el fitxer resultant amb les dades dels

estudiants que siguin dins d’aquest rang. (11.1.6.1, 11.1.6.3)

Es voldrà crear una funció que permeti esbrinar la probabilitat que té un estudiant de

suspendre X assignatures a segon, havent-ne suspès N a primer. Per a dur a terme això, caldrà

retornar una llista de tuples de dos elements: nombre de vegades que s’ha suspès una

assignatura de primer i probabilitat (%) de suspendre’n N a segon. (11.1.6.6) Per a obtenir

aquest resultat caldrà una funció que busqui i retorni el nombre d’estudiants que suspenen

zero, una, dues, ... assignatures a segon havent-ne suspès N a primer. (11.1.6.5) I, per a poder

fer això caldrà haver generat i preparat les dades conscientment amb diccionaris per la

facilitat d’accedir a les dades, amb clau el codi d’expedient. (11.1.6.4)

Per altra banda, es permetrà la mateixa opció podent filtrar per la nota d’accés al Grau.

(11.1.6.7)

Per l’anàlisi més acurat caldran funcions de molta més precisió. És per això que es dissenyarà

un a funció que ordenarà les dades de tal manera que retornarà un diccionari amb tota la

informació de l’estudiant pel que fa a l’expedient acadèmic del grau diferenciant per curs,

quadrimestre, número de convocatòria i la nota obtinguda. (11.1.6.9)

Pàg. 29 Memòria

Un cop s’aconsegueixi això, s’implementarà la calculadora de distàncies amb aquest format

que tindrà en compte penalitzacions segons si la convocatòria, el curs o el quadrimestre és

diferent de l’esperat. (11.1.6.10) També s’implementarà el seleccionador dels casos més

pròxims a la referència escollida. (11.1.6.11)

Per a observar l’objectiu del treball, el pas de primer a segon, es dissenyaran funcions que

donat un perfil de notes de segon, mirin què succeïa amb els expedients semblants a la fase

inicial (11.1.6.12 - 11.1.6.15).

Per últim, permetre al lector veure quin percentatge d’estudiants passen de cursar una

assignatura en un curs i quadrimestre concret a cursar-ne una de segona en un altre curs i

quadrimestre concret. (11.1.6.20)

8.5. Representació gràfica En cas que fos necessari, per l’estudi plantejat no es contemplarà, es prepararan les dades

(amb les funcionalitats definides en el capítol 8.1) per poder-les dibuixar en forma de

diagrama de barres apilades amb la quantitat d’alumnes que suspenen una assignatura amb n

convocatòries.

Per a aportar un plus, es dissenyarà una funció que pintarà un diagrama de punts (scatterplot)

amb les notes de tots els estudiants d’una assignatura concreta i en diferenciarà les diverses

franges de notes. (11.1.4.7)

S’oferirà la opció de generar un boxplot amb les notes introduïdes a partir d’un objecte de

tipus llista per a poder observar les relacions i les diferències entre assignatures. (11.1.4.9)

Aquesta funció serà complementada amb una altra que permetrà la generació dels diagrames

de caixes amb prèvia selecció dels k veïns propers, com es veurà al llarg del treball.

(11.1.4.10)

S’oferirà la possibilitat de representar el diagrama de barres de les mitjanes de convocatòries

per estudiant de cada assignatura de forma múltiple.

Per observar relacions entre les notes d’assignatures de primer i assignatures de segon es

podrà representar en una matriu de Scatterplots tot el comportament de primer d’un grup de k

estudiants trobat amb les funcionalitats plantejades en el capítol 8.4. (11.1.6.17)

Pàg. 30 Memòria

9. EINES Per a dur a terme tot el treball es fa ús d’una quantitat important d’eines d’entre les quals es fa

una diferenciació segons si es tracta d’un programa executable en l’ordinador o segons si es

tracta d’una llibreria o d’un codi de programació. Com a evidència, no es té en compte

programari com navegadors web, sinó només programari usat pel desenvolupament del

tractament de les dades. En aquest apartat, s’enumeren les diferents eines i, es dóna

informació sobre les mateixes en el següent.

Programes executables

o Oracle VM VirtualBox

o GNU Emacs

o Minitab 16

o Excel

Llenguatges de programació

o Python 3

o JavaScript

o HTML5

o CSS3

Llibreries vinculades a llenguatge

o Pandas

o Numpy

o Matplotlib

o Math

o Collections

o Flask

Pàg. 31 Memòria

10. DESCRIPCIÓ DE LES EINES

En aquest apartat s’expliquen de forma més detallada el seguit d’eines de la llista de l’apartat

anterior així com també el software utilitzat.

10.1. Sistema operatiu

El sistema operatiu utilitzat és Ubuntu 16.10, última versió estable des del 20 d’octubre de

2016. Es tracta de software open-source que utilitza programari, principalment, també d’ús

lliure i codi obert. Ubuntu va dirigit a un usuari mitjà i, al món dels servidors.

Pel que fa a sistema operatiu per a usuari, Ubuntu es centra en l’usuari estàndard, que és el

que executarà programes amb doble clic al ratolí i, en el desenvolupador, que a diferència de

l’anterior, treballarà habitualment amb el Command Window1. Aquest segon grup d’usuaris és

el que, aprofitant l’open-sourcing, genera constantment millores i innovacions al sistema en

si. És a dir, Canonical Ltd., empresa propietària d’Ubuntu, al oferir el software de manera

pràcticament gratuïta, rep idees, solucions i aportacions dels desenvolupadors i pot créixer

molt més ràpidament que altres empreses amb més pressupost econòmic.

La interfície que ofereix Ubuntu, com es pot veure en la Figura 6, va molt enfocada a facilitar

l’experiència de l’usuari, permetent així un correcte ús de manera intuïtiva. A més a més,

permet treballar de manera molt còmoda amb Python alhora que amb un grau de simplicitat

visual pràcticament immillorable.

1 Command Window és el terminal de l’ordinador on es pot fer ús de l’ordinador per mitjà de comandes escrites

en codi.

Figura 6. Escriptori Linux des de Oracle VM Virtualbox.

Pàg. 32 Memòria

10.2. Programes executables

10.2.1. Oracle VM Virtualbox

Oracle VM Virtualbox la màquina virtual per excel·lència oferta per l’empresa Oracle. Es

tracta d’un producte que s’empra per executar un sistema operatiu diferent al que té

l’ordinador des del que es treballa.

Tal i com es pot observar a la Figura 7, a la

part esquerra de la pantalla hi ha el llistat de

màquines virtuals que es tenen configurades

en el sistema. En aquest cas en particular

només hi ha la de Linux.

En aquest punt permet configurar la

màquina, les preferències de la mateixa i

executar-la.

És la màquina virtual més coneguda perquè ofereix gran rendiment, una experiència

pràcticament tan ràpida com si fos el sistema operatiu predeterminat i Oracle llança

periòdicament actualitzacions per anar perfeccionant el resultat obtingut. És per aquest motiu

que s’escull per treballar amb Linux en aquest treball.

10.2.2. GNU Emacs

Com a editor de textos s’utilitza GNU Emacs. Emacs és un dels editors de textos més

populars avui dia juntament

amb Notepad++, entre molts

altres i, és software lliure.

Permet realitzar les comandes

bàsiques, des d’escriure codi i

llegir textos fins a redactar un

correu electrònic. A més a

més, totes les eines que

ofereix Emacs, estan

disponibles sempre, sigui

Figura 7. Oracle VM Virtualbox Gestor.

Figura 8. Emacs.

Pàg. 33 Memòria

quin sigui l’ús que se’n faci. La seva simplicitat, vegeu Figura 8, fa que el primer cop que

s’utilitza ja es sap com funcionen les eines bàsiques.

Empreses com Google utilitzen aquest editor, ja que a part de ser simple, alhora permet

realitzar tasques de molta alta complexitat i ofereix una potència de manipulació de textos

molt elevada.

10.2.3. Minitab 16

Per afrontar l’estudi estadístic de les dades que es generen en les

diverses funcions, és de gran interès utilitzar un software estadístic

com és Minitab 16. Minitab permet la inserció de dades i taules en un

full de càlcul, el Worksheet i, a partir de les mateixes, generar gràfics,

estudiar correlacions, plantejar hipòtesis i rebutjar segons el p valor,

entre moltes altres innumerables oportunitats que ofereix.

Es fa ús d’aquest software perquè, tot i no ser de lliure accés, la

Universitat Politècnica de Catalunya en facilita l’ús als seus estudiants. I, si bé és cert que l’ús

que se’n fa és un 1% de les possibilitats que Minitab ofereix, serà de gran ajuda per arribar a

conclusions amb un fonament correcte.

10.2.4. Microsoft Excel

S’empra Microsoft Excel, uns dels programes per tractament de dades,

representació gràfica de resultats i càlculs més potent que existeix en el

mercat. S’utilitza en pràcticament totes les empreses, per no dir totes.

L’èxit d’Excel resideix en les seves possibilitats. Permet que gent amb

poc coneixement pugui treure resultats de les taules creades alhora que

permet treballar amb casos de molt alta complexitat.

El perquè del seu ús en aquest treball resideix en el fet de poder canviar format de dades, fer

comprovacions i preparar-les per introduir-les en el Minitab.

Figura 9. Logotip de Minitab 16.

Figura 10. Logotip de Microsoft Excel.

Pàg. 34 Memòria

10.3. Llenguatges de programació

En aquesta secció s’expliquen els llenguatges de programació utilitzats de forma general i

s’elabora algun comentari sobre l’ús de cadascun.

10.3.1. Python

Python és el llenguatge base que es fa servir pel tractament de les dades i per la creació de

funcions. S’utilitza Python 3.5.2, ja que és la versió més nova i estable que hi ha a data d’avui.

La versió 3 de Python es va centrar en l’eliminació de funcions redundants que feien la

mateixa tasca i en el fet d’optimitzar rendiment i

unificar el codi.

Pel lector que desconeix aquest llenguatge a

continuació se’n detallen algunes característiques.

Segons el mateix lloc web de Python [3], es defineix com un llenguatge potent i ràpid que es

pot utilitzar combinat amb altres llenguatges, que es pot executar en diverses plataformes i,

sobretot que és obert, amigable i fàcil d’aprendre.

Es pot fer servir per programar llocs web i desenvolupament relacionat amb Internet, accedir a

bases de dades, per càlculs numèrics i científics, programació de xarxes socials, per

programació de jocs entre moltes altres aplicacions. Aquesta versatilitat és la que posa a

Python com a un codi de referència per saber programar amb altres. S’utilitza en empreses

com Intel per realitzar les proves dels microxips o com Instagram.

Les principals característiques de Python que el fan un llenguatge especial són [4]:

Facilitat de lectura: Python és un llenguatge molt semblant a l’anglès, amb la qual

cosa permet llegir el codi de tal manera que sigui pràcticament com llegir un text en

anglès. A més a més, Python no fa ús del ‘{}’ 2 com si que fa HMTL o C#, cosa que

facilita la comprensió de totes les sentències.

Llibreries: més de 20 anys de Python han permès crear moltes funcions i programes

que s’han emmagatzemat com a llibreries. Avui dia, la majoria són open-source i això

beneficia al programador i augmenta les possibilitats de creació.

Comunitat: al voltant de Python hi ha una gran comunitat de desenvolupadors que

comparteixen codi a través de plataformes com GitHub. Al existir dita comunitat,

2 Python utilitza els parèntesis corbats pels diccionaris. No els utilitza a cada sentencia com si que pot passar

amb CSS.

Figura 11. Logotip de Python.

Pàg. 35 Memòria

altres webs proporcionen solucions, apareixen fòrums... Un clar exemple és

stackoverflow [2].

10.3.2. JavaScript (JS)

JavaScript [5] és un llenguatge de programació

orientat a objectes conegut per ser el llenguatge

per fer scripts en pàgines web, tot i que també

s’utilitza en molts altres camps a part dels

navegadors web. És un llenguatge basat en

prototipus, dinàmic que permet la orientació a

objectes. S’utilitza per dissenyar i programar el

comportament de les pàgines segons la interacció

de l’usuari. Fàcil d’aprendre per com de potent és s’ha estès de tal manera que és el llenguatge

per scripts en web més utilitzat avui dia.

JavaScript no és Java, però sí que es va dissenyar assemblant-se al màxim a Java i C# perquè

fos relativament senzill aprendre’l, usant if, for, while, switch, try ...catch. És un llenguatge

que va molt de la mà de HMTL 5 i de CSS. Com es pot veure en la Figura 12, el codi

contingut dins el tag script, és l’escrit amb JavaScript.

10.3.3. HTML5

HTML [6] és el llenguatge per excel·lència per disseny

de pàgines web, llenguatge bàsic de WWW3. S’empra

l’última versió que és la 5 en la qual es va desenvolupar

el desenvolupament de HTML i XHTML

paral·lelament, però perquè sigui interpretada

correctament pel navegador cal que, aquest, estigui

actualitzat a la última versió.

És de molt fàcil comprensió i aprenentatge, ja que

funciona amb etiquetes o tags oberts i tancats, respectivament, per ‘<’, ’>’ i, Internet ofereix

molts exemples de codi.

3 World Wide Web.

Figura 12. Exemple de codi en JS.

Figura 13. Exemple de codi i estructura de HTML5.

Pàg. 36 Memòria

Tal i com s’ha explicat amb anterioritat, es pot combinar amb altres llenguatges com

JavaScript i permetre incloure un script que farà que el disseny del lloc web sigui dinàmic.

Ofereix la possibilitat d’importar etiquetes que permeten adaptar el contingut web, fer servir

imatges vectorials, etc.

10.3.4. CSS3

Cascading Style Sheets [7] és el llenguatge que s’utilitza

per donar estil a les pàgines web escrites en HTML o

XML. Dóna format als textos, fa que els elements siguin

adaptables i tot per mitjà de classes si es vol extrapolar a

Python.

10.3.5. JS + HTML5 + CSS

Concloent doncs, la unió dels tres llenguatges

enfocats, sobretot, a desenvolupament web, és

perfecta per poder assolir tots els objectius que es

puguin arribar a plantejar. De fet, els cursos que

s’imparteixen de programació exigeixen

coneixement dels tres llenguatges per poder

avançar.

Es podria afirmar que JavaScript és el llenguatge encarregat d’executar processos i fer el lloc

web dinàmic, HTML5 és el llenguatge encarregat del disseny web, organitzant els diferents

contenidors de dades, els títols, els textos, etc. I, per últim, el llenguatge encarregat de l’estil

dels textos, imatges, paràgrafs és CSS.

Figura 14. Exemple de l’estructura de CSS.

Figura 15. Logotips de HMTL, CSS i JS.

Pàg. 37 Memòria

10.4. Llibreries

Per a poder treballar de forma més eficient i per a poder assolir els objectius, és molt

convenient utilitzar llibreries externes. Una llibreria, o biblioteca (de l’anglès library) és codi

extern preparat per a realitzar certes funcions amb una sola sentència de codi.

Per a utilitzar-ne una cal fer un import, que és una càrrega de totes les funcionalitats de la

llibreria que s’estigui important. Llavors es pot accedir a qualsevol funcionalitat referenciant-

la com es veu en l’exemple a continuació:

En aquest cas, es carrega la llibreria math com a m i és

realitza el càlcul d’elevar el número 9 al quadrat.

De totes les llibreries que es presenten a continuació se’n fa un ús en algun moment de tot el

treball. Si bé és cert que llibreries com pandas són un pilar bàsic i fonamental de la realització

de l’estudi, també hi ha llibreries com collections que s’utilitzen com a màxim tres vegades en

tot el treball, cosa que no implica que no siguin útils.

10.4.1. Pandas

La llibreria pandas permet realitzar el tractament com si de SQL es tractés. Segons es defineix

en el seu lloc web [8], pandas és una llibreria que ofereix alt rendiment, estructures fàcils

d’utilitzar i eines d’anàlisi per Python.

Pandas, normalment importat com a pd, permet la lectura de fitxers de text o fitxers amb

l’extensió .csv de forma directa i sencera, cosa que amb sentències de Python es tradueix en

iterar per cada fila del fitxer tractant-les com a cadenes de caràcters o transformar el fitxer en

una llista i iterar, a posteriori, en la mateixa. Amb la sentència pd.read_csv, es permet la

possibilitat de classificar la informació del fitxer en diverses columnes tot indicant un nom per

a cada una. Aquest fet és idoni pel cas que ocupa aquest treball, ja que les dades venen

ordenades en columnes separades per punt i coma.

La possible dificultat que introdueix Pandas és el fet de treballar amb DataFrames4. Els

DataFrames requereixen un tractament específic per tal de poder aplicar-los-hi filtres de

dades, i per tal de poder fer-los-hi extraccions, per exemple.

4 Estructura bàsica de la llibreria Pandas. És l’equivalent a una taula organitzada en columnes i en files

(mitjançant índexs).

Figura 16. Càrrega de la llibreria math.

Pàg. 38 Memòria

En aquest treball se’n fa un ús intensiu, ja que es treballa amb volums de dades importants. Al

requerir-se un tractament suficientment ràpid, es considera oportú i totalment adequat l’ús

d’aquesta llibreria per realitzar els filtres de dades previs als respectius tractaments.

Tot i la dificultat introduïda, és una eina molt útil i que s’adapta totalment als requeriments

d’aquest treball.

10.4.2. NumPy

La llibreria NumPy és una llibreria que va de la mà amb la llibreria de Pandas. Al seu lloc

web [9] es defineix com un paquet fonamental per les ciències de computació amb Python.

Conté potents objectes (array) N-dimensionals, funcions molt sofisticades, eines per integrar

C/C++ i Fortran, capacitats per utilitzar conceptes d’Àlgebra Lineal, transformacions de

Fourier i treball amb nombres aleatoris, entre moltes altres.

NumPy, importada normalment com np, permet realitzar càlculs en llistes i en DataFrames,

del tipus càlcul del percentil del 25% o la mitjana. Facilita considerablement la feina alhora de

poder fer un càlcul complex simplement amb una sentència o línia de codi.

10.4.3. Matplotlib

De la llibreria Matplotlib se n’utilitza el mòdul pyplot. Com es pot veure en els fitxers de codi

de l’arxiu comprimit, es realitza la importació d’aquest mòdul com a plt. Tal i com s’indica al

seu lloc web [10], es tracta d’una llibreria de representació 2D que permet dibuixar un ampli

ventall de figures. Té certa semblança amb les comandes de MATLAB, amb la qual cosa és

més simple el seu ús.

Com el nom permet intuir, aquesta llibreria permet la representació de dades en forma de

gràfic. Matplotlib ofereix un gran ventall de possibilitats però, per aquest estudi només

s’emprarà per la part de l’anàlisi, ja que per representació de dades en el lloc web s’utilitzarà

directament JavaScript.

10.4.4. Math

La llibreria Math permet realitzar càlculs matemàtics amb variables. L’ús que se’n fa és molt

reduït si es compara amb l’ús de la llibreria de pandas, però és útil a l’hora de realitzar càlculs

de potències de grau n, amb n un nombre real.

10.4.5. Collections

La llibreria collections s’utilitza per a ordenar diccionaris, ja que són objectes de Python que

no presenten cap ordre i que el varien en cada assignació o ús.

Pàg. 39 Memòria

10.4.6. Flask

Flask [11] és la llibreria que permet la connexió del lloc web amb el servidor, és a dir, la

connexió de HTML amb Python perquè se’n pugui fer un procés en fons. Flask utilitza la seva

pròpia nomenclatura, caracteritzada per l’ús de ‘{‘.

Per a poder treballar amb flask a l’hora de dissenyar un web cal crear la següent estructura

(Taula 3) de directoris dins d’Ubuntu: (carpetes en taronja i fitxers en lila)

microblog

flask

tmp

run.py

app

scripts

static

templates

index.html

__init__.py

views.py

Taula 3. Estructura bàsica pel funcionament de Flask.

En la estructura de directoris i fitxers de la Taula 3 no es mostren tots els fitxers, sinó que es

mostren els de caràcter obligatori per a poder tenir un lloc web simple.

La carpeta mare és microblog, aquest nom prové d’un web [12] amb indicacions que s’han

seguit per poder treballar amb flask. Dins d’aquesta carpeta, hi ha d’haver els següents arxius:

- Carpeta flask: carpeta on es duu a terme la instal·lació de la llibreria i totes les seves

funcionalitats, és a dir, el desenvolupador no cal que hi entri per programar.

- Carpeta tmp: carpeta de dades temporals.

Pàg. 40 Memòria

- Carpeta app: la carpeta on s’emmagatzema tota la informació del web, contingut de la

qual es detalla a continuació.

- Fitxer run.py: script de Python que permet fer la crida del web des del terminal. És

l’encarregat d’entrar en les subcarpetes i invocar-ne les funcions.

Dins de la carpeta app, s’hi troba el següent:

- Carpeta scripts: carpeta on s’emmagatzemen els fitxers que s’importaran pel fitxer

views.py. En aquest cas, hi ha un fitxer anomenat funcions.py que té les funcions

encarregades de generar les dades per representar gràficament en web.

- Carpeta static: és la carpeta on s’emmagatzemen tots els fitxers fixos, és a dir, imatges,

fitxers d’estil, fitxers de text amb la informació de les qualificacions dels estudiants i,

també, el fitxer que genera els gràfics en JavaScript.

- Carpeta templates: és la carpeta on hi ha les diferents pàgines en HTML del web, a les

quals es navega segons l’estructura del views.py. Normalment, a la pàgina inicial del

web s’anomena index o mainindex.

- Fitxer __init__.py: script de Python que al executar el run.py és automàticament

executat. Importa el fitxer views.py i comença tota l’execució del web.

- Fitxer views.py: script de Python que s’utilitza per navegar entre pàgines del web.

Permet que es referenciïn ‘forms’ d’HTML del fitxer index.html, i que s’executin les

funcions que té incorporades. A més a més, permet importar el contingut de fitxers

Python de la carpeta scripts i executar-les obtenint-ne el resultat. Retorna el valor que

es desitgi d’un tractament concret en forma de pàgina web amb certa informació

variable.

Pàg. 41 Memòria

11. IMPLEMENTACIÓ

En aquest capítol s’expliquen i es comenten les funcionalitats que s’han volgut cobrir i la

manera com s’han cobert. Si bé és cert que tot el codi figura en els arxius comprimits, té

molta importància saber quines funcions s’han dissenyat i quins són els seus paràmetres

d’entrada i els valors que retornen. D’aquesta manera també, es pot obtenir un resum molt

detallat de tot el que avarca aquest Treball Fi de Grau.

11.1. Funcions Python

Dins d’aquest subapartat s’estudiarà tota la funcionalitat coberta i la que es podria cobrir a

partir de funcions amb Python i fitxers .py, des del tractament de les dades inicials fins a les

darreres funcions creades. L’anàlisi es divideix en fitxers i en funcions per facilitar-ne la

comprensió. Aquest capítol es detalla per a que futurs estudis en puguin aprofitar funcions.

11.1.1. Fitxer filtre.py

Aquest fitxer conté el tractament inicial de les dades rebudes pel servidor Prisma de la UPC.

L’objectiu es generar nous fitxers eliminant les columnes que no siguin objecte d’estudi i

modificant el format per tal d’adaptar-lo al desitjat tal i com es veu en el capítol 6.1.

Executant les tres funcions contingudes en el fitxer es realitza el primer tractament que

serveix de base pel refinament futur que s’explicarà amb detall a continuació.

11.1.1.1. Funció filtre _personal

Es tracta d’una funció que no rep cap paràmetre d’entrada, ja que llegeix i escriu un fitxer

alhora. Al ser executada la funció llegeix el fitxer Dadespersnomespreinsdec16.txt i escriu un

nou fitxer o sobreescriu, en cas d’existir, el Dadespers16.txt. Filtra els expedients i escriu

només els que tenen el codi de grau 752, Enginyeria en Tecnologies Industrials. D’aquests

elimina tots els que van entrar abans del 2010 i els que tenen la nota de selectivitat inferior a

9,00. Canvia totes les comes dels nombres per punts pel posterior tractament.

Crida filtre_personal()

Paràmetres d’entrada -

Objecte retornat -

Taula 4. Resum tècnic filtre_personal.

Pàg. 42 Memòria

11.1.1.2. Funció filtre_inicial

Molt semblantment a la funció anterior, no rep cap paràmetre d’entrada i llegeix el fitxer

Dadesqualifaseinicialdec16.txt i escriu el fitxer Dadesinicials.txt. La utilitat d’aquesta funció

és filtrar el fitxer del servidor i eliminar totes les línies sobrants. Tria únicament els

expedients que cursen el grau objecte d’estudi (752) i elimina la resta. A més a més, elimina

tots els casos de convalidacions (‘CONV’) perquè tampoc són objecte d’estudi. Amb la resta

de casos, substitueix les comes per punts i, com a extra, es fa un tractament per veure els

repetits, que si bé en aquesta funció no té excessiva utilitat, serveix de base per la construcció

de funcions molt més complexes.

Crida filtre_inicial()


Objecte retornat -

Taula 5. Resum tècnic filtre_inicial.

11.1.1.3. Funció filtre_no_inicial

Funcionament exactament idèntic a la funció anterior (filtre_inicial) però en aquest cas es

llegeix el fitxer Dadesqualifasenoinicialdec16.txt i s’escriu el fitxer Dadesnoinicial16.txt.

Crida filtre_no_inicial()


Objecte retornat -

Taula 6. Resum tècnic filtre_no_inicial.

11.1.2. Fitxer refinament.py

Dins d’aquest fitxer s’emmagatzemen totes les funcions que s’empren per realitzar un

tractament als fitxers de text que s’han creat amb les funcions del fitxer filtre.py, per tal

d’assolir l’objectiu del format de les dades i la correspondència de les mateixes com s’explica

en el capítol 7.1. En aquest fitxer es fa ús de la llibreria pandas i de la llibreria numpy.

11.1.2.1. Funció to_str

Aquesta funció, com s’explica en el capítol 7.3, és una funció que té per objectiu realitzar la

conversió d’una variable de tipus número provinent d’un DataFrame de pandas, a string o

cadena de caràcters. Es realitza la crida de la mateixa dins de les funcions del mateix fitxer.

No es tracta d’una funció que es cridi des del terminal d’Ubuntu, encara que no seria erroni

fer-ho.

Pàg. 43 Memòria

Crida to_str(var)

Paràmetres d’entrada var

Descripció dels paràmetres Variable de tipus número provinent d’un DataFrame de pandas

Objecte retornat Objecte de tipus string

Taula 7. Resum tècnic to_str.

11.1.2.2. Funció conjunt

Aquesta funció no rep cap paràmetre d’entrada directament, ja que el seu comportament

queda plenament definit pel contingut dels fitxers que llegeix; Dadesinicials16.txt i

Dadespers16.txt.

Fa la comparativa dels estudiants que hi ha en els dos fitxers de lectura i crea el primer

conjunt que retorna amb tots els codis d’expedients dels estudiants que estan en el fitxer

Dadespers16.txt i no en el fitxer Dadesinicials16.txt i, el segon conjunt que és un conjunt amb

tots els codis d’expedients que es troben en el fitxer Dadesinicials16.txt i no en

Dadespers16.txt.

Crida conjunt()


Objectes retornats Dos conjunts de dades

Funcions que crida directament to_str

Taula 8. Resum tècnic conjunt.

11.1.2.3. Funció elimina_conjunt_ini

Amb el primer conjunt obtingut del retorn de la funció conjunt, aquesta funció llegeix el fitxer

Dadespers16.txt i escriu un nou fitxer Dades_pers_refin.txt, que és un fitxer amb la mateixa

estructura que la de Dadespers16.txt però eliminant totes les línies on hi hagi un codi

d’expedient contingut en el primer conjunt de la funció anterior.

Anàlogament, llegeix el fitxer Dadesinicials16.txt i escriu un nou fitxer; Dades_ini_refin.txt

amb l’ajuda del segon conjunt extret de la crida a la funció anteriorment explicada.

Crida elimina_conjunt_ini()


Objectes retornats -

Funcions que crida directament conjunt

Taula 9. Resum tècnic elimina_conjunt_ini.

Pàg. 44 Memòria

11.1.2.4. Funció conjunt_no_ini

La lògica d’aquesta funció és molt semblant a la lògica aplicada en la funció conjunt. En

aquest cas però, es llegeix el fitxer Dades_pers_refin.txt i Dadesnoinicial16.txt.

Com es pot veure, un dels fitxers de lectura és el fitxer que es genera amb l’execució de la

funció anterior, elimina_conjunt_ini. Es tracta d’aquesta manera perquè així la funció treballa

amb menys registres i s’agilitza el procés en certa mesura. Així doncs, compara els codis

d’expedient i retorna dos conjunts amb els codis d’expedient que estan al primer fitxer i no al

segon i al revés amb l’altre conjunt retornat.

Crida conjunt_no_ini()


Objectes retornats Dos conjunts de dades

Funcions que crida directament to_str

Taula 10. Resum tècnic conjunt_no_ini.

11.1.2.5. Funció elimina_1_3

De lògica molt semblant a la funció elimina_conjunt_ini, tracta el fitxer Dades_pers_refin.txt

eliminant-ne tots els registres corresponents a codis d’expedient continguts en el primer

conjunt (havent executat la funció anterior; conjunt_no_ini) i escrivint el resultat en el fitxer

Dades_pers_refin2.txt. D’igual manera però invertint la idea, llegeix el Dadesnoinicial16.txt i

n’elimina els registres dels expedients continguts en el segon conjunt de la funció anterior

escrivint el nou fitxer Dades_noini_refin.txt.

Crida elimina_1_3()



Funcions que crida directament conjunt_no_ini

Taula 11. Resum tècnic elimina_1_3.

11.1.2.6. Funció long_filtre

La funció long_filtre és una funció de comprovació per veure que totes les anteriors, incloses

les del fitxer filtre.py, funcionen segons la previsió. El seu funcionament és molt simple. No

rep res com a paràmetre directament però si que llegeix el contingut de tres fitxers, que són

els que li atorguen aquesta variabilitat. Simplement, el seu objectiu consisteix en obtenir tots

els registres dels fitxers creats: Dadespers16.txt, Dadesinicials16.txt i Dades_ini_refin.txt,

emmagatzemar-los en tres conjunts diferents i retornar les seves longituds. D’aquesta manera

Pàg. 45 Memòria

es pot comprovar que existeix una relació bidireccional de correspondència entre els tres

fitxers.

Crida long_filtre()


Objecte retornat Tres enters

Descripció del retorn Retorna les 3 longituds dels respectius conjunts que utilitza

Taula 12. Resum tècnic long_filtre.

11.1.2.7. Funció genera_fitxers

Aquesta funció es va dissenyar amb l’objectiu de poder crear tots els fitxers comentats en les

funcions anteriors cridant-ne una de sola. La utilitat bàsica és que hi ha un estalvi de temps

important, ja que no requereix estar pendent d’executar funció rere funció quan s’acaba

l’anterior.

Crida genera_fitxers()



Funcions que crida directament filtre_personal(), filtre_no_inicial(), filtre_inicial() del fitxer

filtre.py

elimina_conjunt_ini() i elimina_1_2() del fitxer refinament.py

Taula 13. Resum tècnic genera_fitxers.

11.1.2.8. Funció primeres_convocatories_inicial

Aquesta funció és una funció que es va dissenyar i escriure a posteriori. Es tracta d’una funció

de més complexitat i per això el detall és més extens.

Primerament, no rep cap paràmetre d’entrada, ja que té per objectiu generar un fitxer a partir

de la lectura d’un altre, com la majoria de la funcions explicades fins aquest punt.

Amb ajut de la llibreria pandas, es creen varis DataFrames per tal de poder llegir el fitxer

Dades_ini_refin.txt de forma ràpida i poder treballar amb les seves columnes amb gran

velocitat.

El gruix de la funció consta d’una estructura iterativa que itera per tots els codis d’assignatura

de la fase inicial emmagatzemats en una llista definida abans de l’estructura iterativa. Dins

d’aquesta estructura, es filtra el DataFrame del fitxer de lectura per l’assignatura en qüestió.

Un cop fet, s’iteren els valors d’aquest DataFrame i, per mitjà d’un diccionari i dos

DataFrames més es comprova si el codi d’expedient de l’actual iteració ja s’ha registrat, si és

que sí s’afegeix i sinó es crea. A més a més, com que es troba dins de la iteració d’expedients

Pàg. 46 Memòria

d’una assignatura concreta, es comprova si s’ha repetit l’assignatura i, sigui quin sigui el cas,

només s’obté el quadrimestre i el curs de la primera convocatòria.

Amb totes aquestes dades s’escriu un fitxer anomenat PrimeraConv_ini.txt, on hi ha els codis

d’expedient amb les assignatures cursades i la nota, el quadrimestre i el curs de la primera

convocatòria de cada assignatura. L’estructura del fitxer escrit i la informació bàsica de la

funció es resumeixen a continuació en forma de taula.

Codi

Expedient

Codi

assignatura

Nombre

de crèdits

Curs de la

primera

convocatòria

Quadrimestre de la

primera convocatòria

Nota obtinguda a la


Taula 14. Estructura del fitxer PrimeraConv_ini.txt.

Crida primeres_convocatories_inicial()



Funcions que crida directament neteja_fitxer()

Taula 15. Resum tècnic primeres_convocatories_inicial.

11.1.2.9. Funció neteja_fitxer

Funció complementària a l’anterior que serveix per ‘netejar’ el format del fitxer que s’indiqui

sempre i quan tingui el mateix format que el descrit en la Taula 14. Simplement elimina la

primera línia del fitxer, una capçalera obtinguda del treball amb DataFrames de la llibreria

pandas, així com també els índexs. Adapta el format de les notes eliminant decimals que no

són necessaris, com zeros a la dreta.

A diferència de les altres funcions descrites, aquesta no escriu un nou fitxer sinó que

sobreescriu el fitxer indicat. Cal anar amb compte, perquè si es fa la crida dues vegades amb

el mateix fitxer, hi hauria una pèrdua de dades important.

Crida neteja_fitxer(fit)

Paràmetres d’entrada fit: el nom d’un fitxer amb el format adient de tipus string


Taula 16. Resum tècnic neteja_fitxer.

Pàg. 47 Memòria

11.1.3. Fitxer tractament_inicial.py

A continuació es detallen les funcions contingudes en aquest fitxer. Es tracta d’un fitxer de

primera presa de contacte amb l’anàlisi de les dades treballades per mitjà de tots els filtres

aplicats. Valors com percentatges d’aprovats a la primera, mitjanes i, nous fitxers de text

surten d’aquest fitxer.

11.1.3.1. Funció percentatge_aprovats_assig

Funció molt simple que simplement realitza la crida a una funció o a una altra segons si és de

la fase inicial o no. Retorna el percentatge d’aprovats d’aquella assignatura en general amb

totes les dades existents.

Crida percentatge_aprovats_assig(codi_assig)

Paràmetres d’entrada codi_assig: enter amb el codi d’assignatura desitjat

Objectes retornats Retorna un nombre real amb 14 decimals, el percentatge

d’aprovats

Funcions que crida directament percentatge_aprovats_assig_inicial(codi_assig) o

percentatge_aprovats_assig_no_inicial(codi_assig)

Taula 17. Resum tècnic percentatge_aprovats_assig.

11.1.3.2. Funció percentatge_aprovats_assig_inicial

Donat un codi d’una assignatura de la fase inicial, llegeix el fitxer Dades_ini_refin.txt i,

iterant, obté per mitjà de comptadors el percentatge d’aprovats a la primera d’aquella

assignatura per tots els anys dels quals es disposen dades.

Crida percentatge_aprovats_assig_inicial(codi_assig)



d’aprovats

Taula 18. Resum tècnic percentatge_aprovats_assig_inicial.

11.1.3.3. Funció percentatge_aprovats_assig_no_inicial

Donat un codi d’assignatura de la fase no inicial, llegeix el fitxer Dadesnoinicial16.txt i, a

partir d’una estructura iterativa i sentències condicionals, obté el percentatge d’aprovats a la

primera de l’assignatura en qüestió de tots els anys dels quals es disposen dades.

Pàg. 48 Memòria

Crida percentatge_aprovats_assig_no_inicial(codi_assig)



d’aprovats

Taula 19. Resum tècnic percentatge_aprovats_assig_no_inicial.

11.1.3.4. Funció mitjana_est_inicial

Aquesta funció, de lògica molt simple, retorna la mitjana de notes, sense tenir en compte les

ponderacions pels crèdits, és a dir, la mitjana simple de les notes d’un expedient concret donat

un codi d’expedient.

Crida mitjana_est_inicial(codi_exp)

Paràmetres d’entrada codi_exp: enter amb el codi d’expedient

Objectes retornats Retorna un nombre real, la mitjana de la fase inicial

Taula 20. Resum tècnic mitjana_est_inicial.

11.1.3.5. Funció mitjana_est_ects_ini

Funció que, donat el codi d’un expedient, retorna la mitjana ponderada per quantitat de crèdits

de la fase inicial. Aquesta mitjana té més sentit, es tracta de la mitjana de totes les

convocatòries de totes les assignatures de la fase inicial ponderada per crèdits. El càlcul, que

es pot veure en l’arxiu comprimit, utilitza les dades del fitxer Dades_ini_refin.txt.

Crida mitjana_est_ects_ini(codi_exp)

Paràmetres d’entrada codi_exp: enter amb el codi d’expedient

Objectes retornats Retorna un nombre real, la mitjana de la fase inicial

Taula 21. Resum tècnic mitjana_est_ects_ini.

11.1.3.6. Funció historial

La funció historial no rep cap paràmetre d’entrada i retorna un diccionari, estructura del qual

es detalla en la taula adjunta. Es tracta d’una funció base per posteriors tractaments.

Bàsicament, llegeix el fitxer Dades_ini_refin.txt i va fent, a cada codi d’expedient, la

comprovació de si s’ha registrat o no, en cas negatiu, es mira si ha cursat o no l’assignatura. A

cada iteració es tracta el diccionari i finalment es retorna.

Pàg. 49 Memòria

Crida historial()


Objectes retornats Retorna un diccionari:

Clau = codi d’expedient

Valor = diccionari:

o Clau = codi d’assignatura de fase inicial (enter)

o Valor = llista amb les notes de totes les convocatòries

(llista)

Taula 22. Resum tècnic historial.

11.1.3.7. Funció hist_inicial

La funció hist_inicial rep com a paràmetre d’entrada un codi d’expedient i, llegint el fitxer

Dades_pers_refin2.txt, retorna un diccionari, estructura detallada en la taula adjunta.

L’objectiu és recopilar la informació de la fase inicial de l’expedient en qüestió. És una funció

preparada per a ser cridada en una iteració dins d’alguna altra com es veurà seguidament.

Crida hist_inicial(codi_est)

Paràmetres d’entrada codi_est: enter d’un codi d’expedient


Clau = codi d’expedient (enter)

Valor = llista amb els següents camps ordenats (llista):

o Sexe (string)

o Any d’entrada (enter)

o Nota d’accès (real)

o Diccionari:

Clau = codi d’assignatura de fase inicial

(enter)

Valor = llista de notes de l’assignatura clau

(llista de reals)

Funcions que crida directament historial()

Taula 23. Resum tècnic hist_inicial.

11.1.3.8. Funció fitxer_historial_ini

Funció d’escriptura d’un nou fitxer, estructura del qual es descriu a continuació. Llegeix el

fitxer Dades_pers_refin2.txt i escriu el fitxer Historial.txt, que resulta ser el resum de la vida

de l’estudiant abans i durant el crus de la fase inicial. Durant la lectura del fitxer de lectura es

crida la funció hist_inicial passant-li els diferents codis d’expedient que va trobant a mesura

que avança la iteració. És interessant veure que hi ha l’estructura try...catch per evitar errors a

l’hora d’afegir informació en una llista. Finalment escriu el fitxer indicat amb l’estructura

següent:

Pàg. 50 Memòria

Codi

Expedient Sexe Any accés Nota d’accés

Nombre de

convocatòries de

l’assignatura

Nota de la convocatòria

en la que es va aprovar

Taula 24. Estructura del fitxer Historial.txt.

A partir de la marca de la Taula 24, es va repetint l’estructura que la segueix (nombre

convocatòries; nota de l’aprovat). És cert que no s’indica l’assignatura en el fitxer final per

evitar una longitud excessiva de cada línia però, sí que se’n té un registre per saber quin camp

és quin. L’ordre seguit és el següent:

(1) 240011 Àlgebra Lineal (6) 240021 Geometria

(2) 240012 Càlcul I (7) 240022 Càlcul II

(3) 240013 Mecànica

Fonamental

(8) 240023 Termodinàmica

Fonamental

(4) 240014 Química I (9) 240024 Química II

(5) 240015 Fonaments

d’Informàtica

(10) 240025 Expressió Gràfica

Taula 25. Ordre del fitxer Historial.txt.

En el cas que no s’hagi cursat alguna assignatura, el nombre de convocatòries pren el valor 0 i

la nota es registra com un string de valor ‘no’.

Crida fitxer_historial_ini()



Funcions que crida directament hist_inicial(codi_est)

Taula 26. Resum tècnic fitxer_historial_ini.

11.1.3.9. Funció historial_detallat

Funció que, de manera semblant a la funció historial, retorna un diccionari, estructura

detallada en la taula adjunta, amb la informació de la fase inicial de cada estudiant amb

quadrimestre i curs. Llegeix també el fitxer Dades_ini_refin.txt.

Crida historial_detallat()




Valor = diccionari:

o Clau = codi d’assignatura de fase inicial(enter)

o Valor = llista de tuples de 3 paràmetres (tantes tuples

com vegades s’ha cursat l’assignatura):

Nota de la convocatòria (real)

Curs en que es va cursar l’assignatura (enter)

Quadrimestre en que es va cursar (enter)

Taula 27. Resum tècnic historial_detallat.

Pàg. 51 Memòria

11.1.3.10. Funció historial_noini

Funció dissenyada per ser cridada dins d’una altra. No rep cap paràmetre d’entrada i retorna

un diccionari amb l’estructura explicada en la taula adjunta. Recopila informació de cada

estudiant en la fase no inicial a partir de la lectura del fitxer Dades_noini_refin.txt.

Crida historial_noini()




Valor = diccionari:

o Clau = codi d’assignatura de fase no inicial (enter)

o Valor = llista de notes de l’assignatura clau (llista de

reals)

Taula 28. Resum tècnic historial_noini.

11.1.3.11. Funció hist_noinicial

Aquesta funció funciona molt semblantment a la funció historial_inicial. El retorn és molt

semblant però amb dades de la fase no inicial enlloc de la fase inicial. El fitxer de lectura en

aquesta funció és Dades_pers_refin2.txt.

Crida hist_noinicial(codi_est)

Paràmetres d’entrada codi_est: enter d’un codi d’expedient



Valor = llista amb els següents camps ordenats (llista):

o Sexe (string)

o Any d’entrada (enter)

o Nota d’accés (real)

o Diccionari:

Clau = codi d’assignatura de fase no inicial

(enter)

Valor = llista de notes de l’assignatura clau

(llista de reals)

Funcions que crida directament historial_noini()

Taula 29. Resum tècnic hist_noinicial.

11.1.3.12. Funció fitxer_historial_noini

Funciona pràcticament igual que la funció fitxer_historial_ini, de fet n’és una rèplica tot

variant la informació de treball i retocant temes de format. En aquest cas però, es llegeix el

fitxer Dades_pers_refin2.txt i s’escriu el fitxer Historial_noini.txt. L’estructura del fitxer

escrit ve detallada en les següents taules.

Pàg. 52 Memòria

Codi

Expedient Sexe Any accés Nota d’accés

Nombre de

convocatòries de

l’assignatura

Nota de la convocatòria en la

que es va aprovar

Taula 30. Estructura del fitxer Historial_noini.txt.

A partir de la marca de la Taula 30, es va repetint l’estructura que la segueix (nombre

convocatòries; nota de l’aprovat). És cert que no s’indica l’assignatura en el fitxer final per

evitar una longitud excessiva de cada línia però, sí que se’n té un registre per saber quin camp

és quin. L’ordre seguit és el següent:

(1) 240031 Electromagnetisme (7) 240041 Economia i Empresa

(2) 240032 Mètodes Numèrics (8) 240042 Estadística

(3) 240033 Materials (9) 240043 Dinàmica de

Sistemes

(4) 240131 Equacions

Diferencials

(10) 240044 Projecte I

(5) 2400132 Informàtica (11) 240141 Teoria de màquines i

Mecanismes (6) 240133 Mecànica

Taula 31. Ordre del fitxer Historial_noini.txt.

En el cas que no s’hagi cursat alguna assignatura, el nombre de convocatòries pren el valor 0 i

la nota es registra com un string de valor ‘no’.

Crida fitxer_historial_noini()



Funcions que crida directament hist_noinicial(codi_est)

Taula 32. Resum tècnic fitxer_historial_noini.

11.1.3.13. Funció historial_noinidetallat

Es tracta d’una rèplica de la funció historial_detallat llegint ara el fitxer Dades_noini_refin.txt

i, conseqüentment, retornant informació sobre la fase no inicial.

Pàg. 53 Memòria

Crida historial_noinidetallat()




Valor = diccionari:

o Clau = codi d’assignatura de fase no inicial(enter)

o Valor = llista de tuples de 3 paràmetres (tantes tuples

com vegades s’ha cursat l’assignatura):

Nota de la convocatòria (real)

Curs en que es va cursar l’assignatura (enter)

Quadrimestre en que es va cursar (enter)

Taula 33. Resum tècnic historial_noinidetallat.

11.1.3.14. Funció pinta_stacked_bar

Es tracta d’una funció destinada a la representació gràfica d’un resultat d’un anàlisi. Donat un

codi d’assignatura, un curs i un quadrimestre, la funció pinta un gràfic de barres apilades amb

el nombre d’estudiants que han aprovat a la primera l’assignatura en aquell quadrimestre i

aquell curs sobre del nombre d’estudiants que han aprovat a la segona convocatòria

l’assignatura en aquell quadrimestre i en aquell curs i, així fins a tercera i quarta o més

convocatòries. Fa una lectura a Historial.txt o a Historial_noini.txt segons sigui l’assignatura

de la fase inicial o no respectivament. De la mateixa manera crida a les funcions

historial_detallat i historial_noinidetallat, respectivament, per obtenir tota la informació de

l’expedient.

Crida pinta_stacked_bar(assig,curs,quad)

Paràmetres d’entrada Assig: codi d’assignatura (enter)

Curs: any (enter)

Quad: quadrimestre (enter)

Objectes retornats Retorna un gràfic de matplotlib amb una barra unió de varies

columnes una sobre l’altre amb el nombre d’estudiants que

aproven a primera, a segona, a tercera i a la quarta o més

l’assignatura en el quadrimestre i curs entrats.

Funcions que crida directament historial_detallat(), historial_noinidetallat()

Taula 34. Resum tècnic pinta_stacked_bar.

11.1.4. Fitxer distancia.py

En aquest subapartat es parla del fitxer distancia.py, un fitxer on es comença a treballar el

buscar els veïns més propers a un codi d’expedient segons les notes obtingudes en certes

assignatures. Un fitxer on es defineixen perfils i es parla del perfil com a un comportament

d’un estudiant. La complexitat de les funcions augmenta però també, el tractament fet i les

dades extretes són de més interès.

Pàg. 54 Memòria

11.1.4.1. Funció perfils_primer_quad_segon

Aquesta funció llegeix el fitxer Dades_noini_refin.txt amb l’ajut de la llibreria pandas i,

emprant diversos DataFrames caracteritza els perfils dels estudiants i escriu el fitxer

PrimeraConv_1Quad_segon.txt. Aquest fitxer té la següent estructura:

Codi

Expedient

Codi

assignatura

Nombre

de crèdits

Curs de la

primera

convocatòria

Quadrimestre de la


Nota obtinguda a la


Taula 35. Estructura del fitxer PrimeraConv_1Quad_segon.txt.

Les dades escrites en aquest fitxer corresponen a les dades de la fase no inicial primer

quadrimestre natural, és a dir, Electromagnetisme, Mecànica, etc i, de primera convocatòria.

D’aquesta manera es poden aconseguir les notes inferiors a 5.00 i es pot caracteritzar millor a

l’alumnat.

Crida perfils_primer_quad_segon()



Funcions que crida directament neteja_fitxer(fit)

Taula 36. Resum tècnic perfils_primer_quad_segon.

11.1.4.2. Funció perfils_segon_quad_segon

De manera molt semblant a l’anterior i, adaptant el cas al segon quadrimestre natural de

segon, es general el fitxer PrimeraConv_2Quad_Segon.txt, amb la mateixa estructura que la

indicada anteriorment, a partir de la lectura del fitxer Dades_noini_refin.txt. Així doncs,

queda definit l’historial de primeres convocatòries dels estudiants en tota la fase no inicial.

Crida perfils_segon_quad_segon()




Taula 37. Resum tècnic perfils_segon_quad_segon.


Es tracta d’una funció que té el mateix nom que una altra de dos altres fitxers, ja que

l’objectiu d’aquestes és fer un filtrat de format als fitxers introduïts com a variables d’entrada.

En aquest cas, elimina la capçalera del fitxer que s’entra com a variable, n’extreu la primera

columna abans del separador ‘;’, tots els índexs i llavors tria els caràcters a mostrar mitjançant

unió de cadenes de caràcters indexades.

Pàg. 55 Memòria

Com les altres, rep un fitxer com a lectura i el sobreescriu, per tant, cal anar molt en compte a

l’hora de tornar a executar la funció per evitar pèrdues massives d’informació.


Paràmetres d’entrada fit: nom d’un fitxer (string)



11.1.4.4. Funció fes_dic

En aquest cas, es tracta d’una funció que com a paràmetre d’entrada rep un quadrimestre, que

per defecte val 0 i retorna un error demanant que s’indiqui un quadrimestre vàlid. Els valors

vàlids són 1 i 2, segons si és el primer quadrimestre de segon curs o el segon, respectivament.

Segons els cas llegeix PrimeraConv_1Quad_Segon.txt o, en el cas de quad = 2,

PrimeraConv_2Quad_Segon.txt i, n’obté la nota de totes les assignatures del quadrimestre en

qüestió que cada estudiant va obtenir a la primera convocatòria. L’estructura del diccionari es

detalla a la taula adjunta. L’ordre de les llistes que apareixen com a valor dels diccionaris amb

clau codi d’expedient és en cada cas:

Si quad = 1 Si quad = 2

240031 Electromagnetisme 240041 Economia i Empresa

240131 Equacions Diferencials 240042 Estadística

240132 Informàtica 240043 Dinàmica de Sistemes

240033 Materials 240044 Projecte I

240133 Mecànica 240141 Teoria de Màquines i Mecanismes

240032 Mètodes Numèrics

Taula 39. Ordre de les llistes, valor del diccionari.

Crida fes_dic(quad=0)

Paràmetres d’entrada quad: quadrimestre (1, 2) de segon (enter)

Objectes retornats Diccionari:

Clau: codi expedient (string)

Valor: llista de notes de primera convocatòria (llista de

reals)

Taula 40. Resum tècnic fes_dic.

11.1.4.5. Funció fes_dist

Aquesta funció treballa a partir de l’anterior. Rep una llista de notes, valors reals, d’un

quadrimestre sencer. Per exemple, si s’informés el valor quad com a 1, la llista de notes hauria

de tenir longitud 6 i hauria d’estar informada seguint l’ordre pautat en la Taula 39, primera

columna.

Pàg. 56 Memòria

L’objectiu d’aquesta funció és cridar l’anterior i obtenir el diccionari de sortida. Un cop es té

això el que fa és el càlcul de la distància que separa a cada estudiant de la llista de notes de

referència. És a dir, si es passessin les notes d’un codi d’expedient concret com a llista

d’entrada, la funció hauria d’obtenir una distància de valor zero, ja que es tracta del mateix

punt en l’espai.

Retorna un diccionari amb els codis d’expedient (string) com a clau i, com a valor, la

distància que separa a cada estudiant.

El càlcul de la distància, per a cada estudiant, es fa de la següent manera:

𝑑𝑖𝑠𝑡à𝑛𝑐𝑖𝑎(𝑟𝑒𝑓𝑒𝑟è𝑛𝑐𝑖𝑎−𝑒𝑠𝑡𝑢𝑑𝑖𝑎𝑛𝑡) == √ ∑ (𝑛𝑜𝑡𝑎𝑟𝑒𝑓𝑒𝑟è𝑛𝑐𝑖𝑎𝑖− 𝑛𝑜𝑡𝑎𝑒𝑠𝑡𝑢𝑑𝑖𝑎𝑛𝑡𝑖

)2

𝑖

𝑖= 𝑎𝑠𝑠𝑖𝑔𝑛𝑎𝑡𝑢𝑟𝑎_𝑘

(𝐸𝑞. 1)

Crida fes_dist(ll,quad=0)

Paràmetres d’entrada ll: llista de notes de referència d’un quadrimestre específic

de segon (llista de reals)

quad: quadrimestre (1, 2) de segon (enter) relacionat amb

el de la llista


Clau: codi expedient (string)

Valor: distància respecte llista de referència (real)

Funcions que crida directament fes_dic(quad)

Taula 41. Resum tècnic fes_dist.

11.1.4.6. Funció knei

Com a complement de la funció anterior, neix la necessitat de crear el knei. La funció knei

prové del concepte k-nearest neighbors de l’anglès. Els k-veïns més propers a un objectiu.

L’objectiu en aquest cas és la llista de notes de referència que s’entra del quadrimestre que es

vulgui també indicat. Fa la crida a la funció anterior i retorna només els k expedients més

propers amb el format indicat a la taula següent.

Pàg. 57 Memòria

Crida knei(ll,quad=0,k=50)

Paràmetres d’entrada ll: llista de notes de referència d’un quadrimestre específic

de segon (llista de reals)

quad: quadrimestre (1, 2) de segon (enter) relacionat amb

el de la llista

k: nombre de codis d’expedient propers que es vol (enter)

Objectes retornats Llista de tuples de dos elements:

Codi d’expedient (string)

Distància respecte la llista de notes de referència (real)

Funcions que crida directament fes_dist(ll,quad)

Taula 42. Resum tècnic knei.

11.1.4.7. Funció scatter

La funció scatter és una funció de representació gràfica de resultats. Fa una selecció de dades

simples i les pinta en un scatterplot. Aquesta selecció de dades consisteix en dades de

qualificacions dels estudiants a primera convocatòria de l’assignatura que s’informi. En

aquest cas particular no es permet el filtre per quadrimestres, curs, etc, ja que es tracta d’un

estudi amb caràcter general.

És un scatterplot diferent a la resta, ja que mostra els punts de forma que permet visualitzar

les zones on la gran majoria d’estudiants es troba a primera convocatòria. A part d’això,

caracteritza els punts amb colors segons la franja on es troben per intervals de notes, facilitant

la comprensió i el ràpid anàlisi.

Crida scatter(codi_assig)

Paràmetres d’entrada codi_assig: codi d’assignatura de fase no inicial (enter)

Objectes retornats Gràfic de la llibreria matplotlib

Funcions que crida directament fes_dic(quad)

Taula 43. Resum tècnic scatter.

11.1.4.8. Funció imatge_primer

Aquesta funció és molt interessant perquè, donat un perfil d’un estudiant de segon, definit per

les seves notes d’un quadrimestre concret, busca els k estudiants que s’hi assemblen més, és a

dir, que tenen la distància més petita i, amb això, fa una cerca i retorna un diccionari amb les

notes dels mateixos estudiants en totes les assignatures de primer. D’aquesta manera, donat un

perfil definit per les notes d’un quadrimestre de segon, és capaç de veure quin és el

comportament a primer d’aquest perfil de segon.

Pàg. 58 Memòria

Crida imatge_primer(ll,quad=0,k=50)

Paràmetres d’entrada ll: llista de notes de referència (llista de reals)

quad: quadrimestre corresponent a les notes de la llista

(enter)

k: nombre de veïns propers (enter)


clau: codi d’assignatura de primer (enter)

valor: llista de notes de l’assignatura clau (llista d’enters)

dels estudiants propers al perfil de segon introduït

Funcions que crida directament knei(ll,quad,k)

Taula 44. Resum tècnic imatge_primer.

11.1.4.9. Funció boxp

És una funció molt breu que té per objectiu representar gràficament la distribució de les notes

entrades com una llista per mitjà d’un diagrama de caixes.

Crida boxp(l)

Paràmetres d’entrada l: llista de notes (llista de reals)


Taula 45. Resum tècnic boxp.

11.1.4.10. Funció pregunta_perfil_primer

Aquesta funció és una funció de caràcter molt diferent a les presentades amb anterioritat, ja

que es tracta d’una funció de caràcter input. Realitza una sèrie de demandes indicades en el

terminal d’Ubuntu que, al anar-se omplint va generant les dades per retornar un gràfic cridant

a la funció boxp.

El concepte és que demana el perfil de segon per mitjà de les notes, busca a primer com es

comporten els k estudiants més propers al perfil de segon i, retorna un boxplot o diagrama de

caixes de l’assignatura que es desitgi.

Les preguntes que fa són les següents i, a mesura que es fan s’han d’anar responent teclejant

la informació requerida i prement la tecla Enter:

Quin quadrimestre de segon referencies? (1 o 2):

Nota d’electromagnetisme:

Nota d’equacions dif.:

Nota d’informàtica:

Nota de materials:

Nota de mecànica:

Nota de mètodes:

Pàg. 59 Memòria

Quants estudiants objecte estudi vols?

En aquest punt la funció realitza el càlcul mitjançant crides a les funcions anteriors i un cop

realitzat demana:

Codi assignatura:

Aquesta petició fa referència al codi d’assignatura de primer de la qual es desitja visualitzar la

distribució de notes. Si s’escriu la paraula Totes, la funció retorna la distribució de tota la fase

inicial, que és interessant a l’hora de comparar entre diverses assignatures.

El que fa especialment interessant a aquesta funció, a part del resultat de la distribució de

notes a primera convocatòria de les assignatures de primer donat un perfil d’un quadrimestre

concret de segon, és que permet indicar els paràmetres d’entrada camp a camp, facilitant molt

la feina a l’usuari.

Pàg. 60 Memòria

11.1.5. Fitxer estudi.py

Fitxer de més complexitat on s’introdueixen estudis de caire més profund i, per tant, d’interès

sinó elevat, diferent a la resta.

11.1.5.1. Funció mit_convoc

La primera funció que es troba en el fitxer té una execució molt ràpida. Donat un codi d’una

assignatura de la fase inicial o de segon i l’any o curs que es vulgui, retorna la mitjana de

convocatòries per estudiant que aquesta assignatura va tenir en el curs introduït. Si el curs és

zero o no s’informa, retorna la mitjana de convocatòries de l’assignatura per tots els anys dels

quals es disposa dades.

Aquest valor retornat és d’interès per avaluar quantes vegades un estudiant s’ha de matricular,

en mitjana, de certa assignatura per aprovar-la. A part, també serveix per veure com

evolucionen les assignatures al llarg dels cursos, fent-se més o menys complicades.

Crida mit_convoc(assig,curs=0)

Paràmetres d’entrada assig: codi d’assignatura (enter)

curs: any (enter) opcional

Objectes retornats Mitjana de convocatòries per estudiant (real)

Taula 46. Resum tècnic mit_convoc.

11.1.5.2. Funció pinta_convocatories

Funció que bàsicament serveix per tenir una visualització en un gràfic de barres de l’execució

de la funció anterior. El paràmetre opcional d’entrada, curs, determina sobre quin curs es vol

fer l’estudi i, el paràmetre fase, permet determinar si es tracta d’un estudi de la fase inicial o

no, ‘Inicial’ o ‘No inicial’, respectivament. Itera segons la fase, en totes les assignatures de la

mateixa i genera una llista amb tots els valors. A posteriori imprimeix un gràfic de barres en

pantalla amb aquests valors i, un cop es tanca aquesta figura, es retorna una llista amb el

format següent:

[nom de l’assignatura (string), mitjana de convocatòries (real), nom assignatura, mitjana, ...]

Així amb totes les assignatures de la fase en qüestió.

Pàg. 61 Memòria

Crida pinta_convocatories (fase,curs=0)

Paràmetres d’entrada fase: fase d’estudi (string) ‘Inicial’ o ‘No inicial’



Llista amb el format descrit en la descripció

Funcions que crida directament mit_convoc(assig,curs=0)

Taula 47. Resum tècnic pinta_convocatories.

11.1.5.3. Funció percen_aprovats_primera

La funció percen_aprovats_primera, com bé indica el seu nom, donat un codi d’una

assignatura (string) i un curs (opcional, si no s’informa o val zero fa l’estudi per tots els

cursos dels quals es tinguin dades) retorna un percentatge que indica la quantitat d’estudiants

que aprova l’assignatura a la primera convocatòria. En comparació a la funció mit_convoc té

un avantatge i és que les dades en tant per cent sempre són més fàcils d’entendre.

Crida percen_aprovats_primera(assignatura,curs=0)

Paràmetres d’entrada assignatura: codi d’assignatura (string)


Objectes retornats Percentatge (real) d’aprovats a la primera

Taula 48. Resum tècnic percen_aprovats_primera.

11.1.5.4. Funció pinta_percen

Funció de representació gràfica que retorna un gràfic de barres on cada barra correspon al tant

per cent d’aprovats a primera convocatòria d’una assignatura en concret per cada any. Eix de

les ordenades és el valor numèric i l’eix de les abscisses hi ha els anys. Com es pot intuir, fa

una crida a la funció anterior havent només d’encarregar-se de la representació gràfica.

Aquesta crida la fa de forma iterativa per tots els anys dels quals es tenen dades. [2010,2015]

Crida pinta_percen (assi)

Paràmetres d’entrada assi: codi d’una assignatura (string)


Funcions que crida directament percen_aprovats_primera(assi,curs)

Taula 49. Resum tècnic pinta_percen.

11.1.5.5. Funció basic_statistics

Aquesta funció retorna molta informació de caire estadístic, com la desviació estàndard per

exemple. Donat el codi d’una assignatura, el curs i el quadrimestre (poden o no informar-se

aquests dos darrers), la funció fa lectures de fitxers, tracta les dades i realitza tots els càlculs

necessaris per tal de retornar un DataFrame amb la següent informació en files.

Pàg. 62 Memòria

Aquesta informació és útil per veure

com són realment les dades i per no

treure conclusions precipitades, per

exemple, veient la mitjana aritmètica i

prou.

Crida basic_statistics(assignatura,curs=0,quad=0)

Paràmetres d’entrada assignatura: codi d’assignatura (enter)

curs: any o curs (enter) opcional

quad: quadrimestre (enter) opcional

Objectes retornats DataFrame de la llibreria pandas amb el format anteriorment

indicat

Taula 51. Resum tècnic basic_statistics.

N Nombre de mostres

Mean Mitjana aritmètica de les notes

SE Mean Error estàndard de la mitjana de les notes

StDev Desviació estàndard de les notes

Minimum Mínim de les notes

Q1 Primer quartil

Median Mediana

Q3 Tercer quartil

Maximum Màxima nota

Taula 50. Informació que retorna la funció basic_statistics.

Pàg. 63 Memòria

11.1.6. Fitxer minitab.py

Aquest fitxer és el fitxer que té la complexitat més elevada, on els càlculs que es duen a terme

permeten realitzar estudis de més profunditat i amb més valor pel treball.

11.1.6.1. Funció primerasuspesa

La funció primera suspesa rep quatre paràmetres d’entrada, els dos darrers opcionals. El

primer és el codi d’una assignatura de la fase inicial (enter) i, el segon el codi d’una

assignatura de la fase no inicial, també un enter. El primer paràmetre opcional d’entrada és la

nota inferior d’un interval que s’explica a continuació i, l’últim és la nota que delimita la part

superior.

L’objectiu d’aquesta funció és, donada una assignatura de primer i un interval de notes,

buscar tots els codis d’expedient que hagin obtingut, d’aquesta assignatura a primera

convocatòria, una nota que sigui igual o major al límit baix i inferior al límit alt. Un cop feta

aquesta selecció, buscar la nota que els mateixos estudiants van obtenir en l’assignatura de la

fase no inicial entrada com a segon paràmetre d’entrada.

El tractament que realitza desemboca amb el retorn d’un DataFrame de la llibreria pandas

amb dues columnes, una amb la nota de l’assignatura de primer i, l’altra amb les respectives

notes a l’assignatura de segon. Al mateix temps, escriu un fitxer assigna.txt amb el

DataFrame, per poder copiar les dades, passar-les a un full de càlcul i obtenir resultats

passant-les al Minitab.

D’aquesta manera es poden respondre preguntes de l’estil: Si un estudiant treu menys d’un 3 a

Mecànica Fonamental, suspendrà molt segurament Mecànica a segon curs?

Crida primerasuspesa (aprimer,asegon,limitbaix=0,limitalt=0)

Paràmetres d’entrada aprimer: codi d’una assignatura de la fase inicial (enter)

asegon: codi d’una assignatura de la fase no inicial (enter)

limitbaix: nota que delimita l’interval per la part inferior

(real)

limitalt: nota que delimita l’interval per la part superior

(real)

Objectes retornats Retorna un DataFrame amb dues columnes de notes i escriu un

fitxer de text.


Taula 52. Resum tècnic primerasuspesa.

Pàg. 64 Memòria


Com ja s’ha comentat en fitxer anteriors, aquesta funció arregla el format del fitxer per evitar

que surti com si fos un DataFrame amb dades innecessàries com són els índexs de cada fila i

la capçalera. El que fa diferents a cada una d’aquestes funció de neteja de fitxer és el

tractament que rep cada fila de strings, ja que estan pensades per una funcionalitat concreta.


Paràmetres d’entrada fit: nom d’un fitxer (string)



11.1.6.3. Funció primeraprovada

Aquesta funció completa la funcionalitat de la primera suspesa, ja que en aquest cas va

enfocada a notes d’aprovats en l’assignatura de la fase inicial. Es fa aquesta distinció entre

suspès i aprovat perquè el tractament és més simple i es permet incloure, en aquest cas, els

dos límits de l’interval.

Respecte a la funcionalitat, fa exactament el mateix que la funció primera suspesa però

incloent les notes dels extrems de l’interval. Retorna també un DataFrame i l’escriu, al mateix

temps, a un fitxer anomenat aprova.txt.

Crida primeraprovada(aprimer,asegon,limitbaix=5,limitalt=10)

Paràmetres d’entrada aprimer: codi d’una assignatura de la fase inicial (enter)

asegon: codi d’una assignatura de la fase no inicial (enter)

limitbaix: nota que delimita l’interval per la part inferior

(real)

limitalt: nota que delimita l’interval per la part superior

(real)

Objectes retornats Retorna un DataFrame amb dues columnes de notes i escriu un

fitxer de text.


Taula 54. Resum tècnic primeraprovada.

11.1.6.4. Funció susp

La funció susp és una funció que no rep cap paràmetre d’entrada i que retorna 4 diccionaris,

estructures dels quals es mostren a continuació:

Diccionari d: el primer diccionari que retorna conté la informació de la quantitat de

convocatòries que ha necessitat cada estudiant per aprovar una assignatura de la fase inicial,

Pàg. 65 Memòria

en el cas d’estar fent una assignatura actualment i no haver-la aprovat, mostrarà el nombre de

convocatòries fins que es tenen dades dels servidors Prisma. El diccionari d té com a clau el

codi d’expedient de tipus enter i com a valor una llista d’enters amb totes les convocatòries

que ha tingut l’estudiant en la fase inicial. Aquesta llista de convocatòries segueix el següent

ordre d’assignatures:

Àlgebra Lineal, Càlcul I, Mecànica Fonamental, Química I, Fonaments d’Informàtica,

Geometria, Càlcul II, Termodinàmica Fonamental, Química II i Expressió Gràfica.

Diccionari dnoini: el segon diccionari que retorna té com a clau i com a valor els mateixos

que el diccionari anterior però, en aquest cas, la llista presentada com a valor conté els

nombres de convocatòries de les respectives assignatures de la fase no inicial. Cada enter de

la llista correspon a l’assignatura de la mateixa posició del llistat següent:

Electromagnetisme, Mètodes Numèrics, Materials, Equacions Diferencials, Informàtica,

Mecànica, Economia i Empresa, Estadística, Dinàmica de Sistemes, Projecte I i Teoria de

Màquines i Mecanismes.

Diccionari dsusp: el tercer diccionari que retorna la funció té per clau els codis d’expedient i

per valor, un enter que indica la quantitat de vegades que ha suspès alguna assignatura de la

fase inicial.

Diccionari dnoinisusp: el quart i últim diccionari que retorna la funció és exactament igual al

anterior, l’únic que canvia respecte aquest és que en aquest el valor de cada clau és el nombre

de vegades que l’estudiant ha suspès una assignatura de la fase no inicial.

Crida susp()


Objectes retornats Quatre diccionaris:

Diccionari d:

o Clau: codi d’expedient (enter)

o Valor: llista de convocatòries de cada assignatura de la fase

inicial (llista d’enters)

Diccionari dnoini:


o Valor: llista de convocatòries de cada assignatura de la fase

no inicial (llista d’enters)

Diccionari dsusp:


o Valor: nombre de vegades que l’estudiant ha suspès alguna

assignatura de la fase inicial (enter)

Diccionari dsuspnoini:

Pàg. 66 Memòria


o Valor: nombre de vegades que l’estudiant ha suspès alguna

assignatura de la fase no inicial (enter)

Taula 55. Resum tècnic susp.

11.1.6.5. Funció suspesa

La idea d’aquesta funció és que donat el nombre de vegades que suspèn una assignatura de la

fase inicial, un perfil que es vol estudiar, quants estudiants hi ha que en suspenen X a segon

curs. Aquest retorn es fa per mitjà d’un diccionari que té el nombre de vegades que suspèn

una assignatura de segon i que té per valor el nombre d’estudiants que han suspès aquell

nombre a segon.

Degut a la dificultat de comprensió que aquest retorn pot tenir es mostra un exemple per mitjà

de la Figura 17.

Figura 17. Sortida de la funció suspesa del fitxer minitab.py.

En aquest exemple interessa veure què passa a segon si un estudiant suspèn tres assignatures

durant la fase inicial. El resultat mostrat en la imatge, permet veure l’estructura del

diccionari. Si s’interpreten les dades rebudes s’obté el següent anàlisi:

De tots els estudiants que es tenen, dels que han suspès tres assignatures a la fase inicial, n’hi

ha 51 que han aprovat totes les assignatures de la fase no inicial a primera convocatòria, 44

que n’han suspès una de tota la fase no inicial, 32 que n’han suspès 2 i, prosseguint

d’aquesta manera s’arribaria al final del diccionari retornat.

Crida suspesa(n)

Paràmetres d’entrada n: nombre d’assignatures suspeses durant la fase inicial (enter)


Clau: nombre de suspeses a segon curs (enter)

Valor: nombre d’estudiants que han suspès clau vegades

assignatures de segon (enter)

Funcions que crida directament susp ()

Taula 56. Resum tècnic suspesa.

11.1.6.6. Funció prob

La funció prop té com a objectiu principal adequar les dades perquè siguin útils de cara a la

interpretació humana. Tracta el diccionari rebut en la funció anterior per tal de retornar una

llista de tuples de dos elements, on el primer element és la clau del diccionari anterior i, el

Pàg. 67 Memòria

segon element és el tant per cent d’estudiants que havent suspès n assignatures a primer, ha

suspès clau vegades assignatures a segon. D’aquesta manera es pot veure quin valor té més

pes i es pot arribar més senzillament a conclusions.

Crida prob(n)


Objectes retornats Llista de tuples de dos elements:

Nombre de vegades que s’ha suspès una assignatura a

segon (enter)

Probabilitat de suspendre aquest nombre de vegades

assignatures de segon havent-ne suspès n a primer (real)

Funcions que crida directament suspesa (n)

Taula 57. Resum tècnic prob.

11.1.6.7. Funció ambsele

La funció ambsele, retorna una llista i un valor relacionats amb la nota de selectivitat,

tractament que no s’havia contemplat fins aquest punt. Té dos paràmetres d’entrada, un enter

que indica la quantitat de vegades que un estudiant en general ha suspès a la fase inicial i un

real que indica la nota de selectivitat mínima a la qual es vol fer l’estudi.

El que fa la funció és tractar les dades per obtenir tots els estudiants de la fase inicial que

hagin suspès el nombre de vegades entrat com a paràmetre d’entrada. Després aplica el filtre

de la nota de selectivitat, on es busquen tots els estudiants del grup anterior que tinguin la nota

de selectivitat més alta o igual a la que s’ha entrat.

I amb aquest darrer grup d’expedients fa una cerca al seu comportament de segon i omple la

llista tal i com es mostra en la taula adjunta.

Crida ambsele(n,sele)


sele: nota de selectivitat que defineix el límit inferior inclòs del

rang del tractament. (real)

Objectes retornats Llista de tuples de dos elements on el primer indica

quantes vegades ha suspès una assignatura de la fase

inicial (enter o un string si és més de 5 vegades) i el segon

terme és el nombre d’estudiants de la selecció feta que

han suspès la quantitat de vegades indicades pel primer

terme de cada tuple.

Nombre d’estudiants que compleixen les condicions

imposades (enter)

Funcions que crida directament susp ()

Taula 58. Resum tècnic ambsele.

Pàg. 68 Memòria

11.1.6.8. Funció perc

La funció perc crida directament la funció ambsele i en tracta el resultat per tal de poder fer la

sortida més comprensible per l’usuari. Retorna la mateixa llista que l’anterior funció però,

enlloc de tractar-se del nombre de persones que ha suspès x vegades alguna assignatura es

retorna amb un tant per cent que aporta és globalitat a l’estudi.

Crida perc(n,sele)

Paràmetres d’entrada n: nombre d’assignatures suspeses durant la fase inicial

(enter)

sele: nota de selectivitat que defineix el límit inferior

inclòs del rang del tractament. (real)

Objectes retornats Llista de tuples de dos elements on el primer indica quantes

vegades ha suspès una assignatura de la fase inicial (enter o un

string si és més de 5 vegades) i el segon terme és el percentatge

d’estudiants de la selecció feta que han suspès la quantitat de

vegades indicades pel primer terme de cada tuple.

Funcions que crida directament ambsele(n,sele)

Taula 59. Resum tècnic perc.

11.1.6.9. Funció dicc_complex

Aquesta funció és l’anàlisi i tractament de perfils d’estudiants per excel·lència. Donada una

llista, format indicat en la taula, amb la informació, tan ampliable com es desitgi, del codi

d’assignatura, la nota que es va obtenir, el quadrimestre i el curs en el que es va obtenir i el

nombre que indica quina convocatòria és aquesta combinació de curs i quadrimestre, retorna

el diccionari indicat en la taula.

És a dir, definint un perfil d’un estudiant o d’un grup d’estudiants, caracteritzat per notes

d’assignatures concretes en quadrimestres, cursos i convocatòries concretes, es pot obtenir

informació de la resta d’estudiants. El que retorna és un diccionari on hi ha els estudiants amb

la informació de la/les assignatura entrada amb la informació de la convocatòria indicada o,

si no es pot obtenir aquesta, amb la informació de l’any indicat o semblant o la del

quadrimestre.

És a dir, retorna informació de tots els estudiants tant ajustada com pot respecte els valors

d’entrada per poder caracteritzar aquesta informació en tractaments posteriors.

Pàg. 69 Memòria

Crida dicc_complex(ll)

Paràmetres d’entrada ll: llista de tuples amb el format següent:

[(codi_assignatura,nota,quadrimestre,curs,convocatòria),...] on

codi_assignatura és un enter, nota un real, quadrimestre un enter i

convocatòria un enter també que indica en quina convocatòria

s’està definint el perfil

Objectes retornats Diccionari d:

Clau: codi d’expedient (enter)

Valor: un diccionari:

o Clau: codi d’assignatura (enter)

o Valor: tuple format per

Curs, quadrimestre, convocatòria i nota

Taula 60. Resum tècnic dicc_complex.

11.1.6.10. Funció distancia_complexa

Un cop s’ha fet la crida a la funció anterior, la dicc_complex(ll) és interessant buscar la

distància de cada estudiant al perfil de referència entrat com a paràmetre. Així doncs, aquesta

funció el que fa és dur a terme el càlcul de la distància que separa a cada estudiant d’aquest

perfil de referència. El que la fa diferent de la funció que en apartats anteriors calculava la

distància és que aquesta penalitza per les diferències entre quadrimestres, cursos i nombres de

convocatòries.

Si coincideixen els quadrimestres, els cursos i el nombre de convocatòries es realitza el càlcul

de la distància com s’indica en el capítol 11.1.4.5, Eq. 1.

En el cas que el nombre de convocatòries fos diferent, fos quin fos el quadrimestre i el curs,

es penalitzaria amb la penalització màxima que és de 2 punts. En el cas que o bé el curs o bé

el quadrimestre fossin diferents i el nombre de convocatòries fos igual es penalitzaria amb una

penalització de 0.5 punts. D’aquesta manera es garanteix que els perfils més propers al perfil

de referència siguin els que realment són propers de veritat, contemplant tots els criteris

possibles.

Pàg. 70 Memòria

Crida distancia_complexa(ll)


[(codi_assignatura,nota,quadrimestre,curs,convocatòria),...] on

codi_assignatura és un enter, nota un real, quadrimestre un enter i

convocatòria un enter també que indica en quina convocatòria

s’està definint el perfil

Objectes retornats Diccionari d:

Clau: codi d’expedient (enter)

Valor: distància (real)

Funció que crida directament dicc_complex(ll)

Taula 61. Resum tècnic distancia_complexa.

11.1.6.11. Funció knei_complex

La funció knei_complex es nodreix del diccionari generat per la funció distancia_complexa a

partir de la llista entrada i n’agafa els k expedients més propers al perfil, és a dir, els k

expedients que tenen la distància més petita.

Crida knei_complex(ll,k=10)


[(codi_assignatura,nota,quadrimestre,curs,convocatòria),...]

on codi_assignatura és un enter, nota un real, quadrimestre

un enter i convocatòria un enter també que indica en quina

convocatòria s’està definint el perfil

k: nombre de veïns que es desitja buscar.

Objectes retornats Llista de tuples de dos elements. El primer és el codi d’expedient

(enter) i el segon és la distància calculada amb la funció

distancia_complexa.

Funció que crida directament distancia_complexa(ll)

Taula 62. Resum tècnic knei_complex.

11.1.6.12. Funció mira_primer_parcialment

Aquesta funció rep la llista indicada en la taula adjunta, un nombre k pel càlcul dels veïns

propers i una llista d’assignatures de la fase inicial. Aquesta darrera llista que s’introdueix

com a paràmetre d’entrada és el que condiciona el resultat de sortida. L’objectiu d’aquesta

funció és cridar el knei_complex i, amb el resultat, buscar les notes dels estudiants (els

estudiants de la llista obtinguda amb el knei_complex) en les assignatures introduïdes a la

convocatòria que van aprovar l’assignatura. A més a més, el segon DataFrame retorna el

nombre de convocatòries dels mateixos estudiants en les mateixes assignatures. Aquest fet,

implica poder concretar molt més l’estudi.

Pàg. 71 Memòria

Posant un exemple;

Figura 18. Execució i retorn de la funció mira_primer_parcialment del fitxer minitab.py.

Com es pot observar en la Figura 18, s’introdueix el perfil definit per un 1.8 de Mecànica el

2014 i quadrimestre de tardor, sent aquesta la primera convocatòria. Es vol realitzar l’estudi

amb 15 estudiants propers a aquest perfil i es vol saber el comportament a les assignatures

d’Àlgebra Lineal i de Mecànica Fonamental. La funció retorna el primer DataFrame amb les

columnes NAlgebra (Nota d’Àlgebra Lineal al moment d’aprovar l’assignatura) i NMecFon

(Nota de Mecànica Fonamental al moment d’aprovar l’assignatura). En el segon DataFrame hi

consten les columnes corresponents al nombre de convocatòries dels mateixos estudiants en

les mateixes assignatures.

Crida mira_primer_parcialment(ll=[],k=10,assig=[])







assig: llista de codis d’assignatures de la fase inicial (llista

d’enters)

Objectes retornats Dos DataFrames. El primer amb informació de les notes en el

moment d’aprovar l’assignatura i el segon amb la informació de la

quantitat de convocatòries.

Funció que crida directament knei_complex(ll,k)

Taula 63. Resum tècnic mira_primer_parcialment.

Pàg. 72 Memòria

11.1.6.13. Funció mira_primer_parcialment_stat

Aquesta funció rep els mateixos paràmetres d’entrada que la funció anterior, ja que dins del

seu procés fa la crida a la funció mira_primer_parcialment amb els mateixos paràmetres

d’entrada que rep.

L’objectiu d’aquesta funció és retornar informació estadística del resultat anterior, ja que amb

els DataFrames només es pot obtenir una primera impressió de com són les dades

aproximadament.

Retorna un diccionari amb clau els codis de les assignatures entrades en la llista assig i amb

valor una llista dels valors estadístics obtinguts, que són els següents en l’ordre indicat:

(1) Primer quartil (6) Desviació estàndard

(2) Tercer quartil (7) Error estàndard de la mitjana

(3) Mediana (8) Mínim

(4) Mitjana (9) Màxim

(5) Nombre (10) Nombre de convocatòries

Taula 64. Retorn i ordre de l’execució de la funció mira_primer_parcialment_stat.

A continuació es presenta una imatge de la crida de la funció i el resultat obtingut perquè el

lector es pugui fer una idea de quin és el funcionament.

Crida mira_primer_parcialment_stat(ll=[],k=10,assig=[])








d’enters)


Figura 19. Crida i retorn de la funció mira_primer_parcialment_stat del fitxer minitab.py.

Pàg. 73 Memòria

clau: codi d’assignatura (enter)

valor: llista de reals ordre de la qual i informació dels camps

detallada en la Taula 65.

Funció que crida directament mira_primer_parcialment(ll,k,assig)

Taula 65. Resum tècnic mira_primer_parcialment_stat.

11.1.6.14. Funció mira_primer_sencer

La funció mira_primer_sencer realitza el mateix tractament que la funció

mira_primer_parcialment però enlloc de llegir el fitxer Historial.txt llegeix el fitxer

PrimeraConv_ini.txt que té informació de les qualificacions de la primera convocatòria de la

fase inicial. Rep el mateix que les dues darreres funcions presentades i retorna un sol

DataFrame amb les columnes; Codi d’expedient, Codi d’assignatura, Nombre de Crèdits,

Curs, Quadrimestre i Nota.

D’aquesta manera queda totalment definit el comportament dels estudiants obtinguts a la

funció knei_complex a la seva fase inicial.

Crida mira_primer_sencer(ll=[],k=10,assig=[])








d’enters)

Objectes retornats DataFrame amb les columnes indicades en la descripció de la funció

Funció que crida directament knei_complex(ll,k)

Taula 66. Resum tècnic mira_primer_sencer.

11.1.6.15. Funció mira_primer_sencer_stat

De forma anàloga a la funció mira_primer_parcialment_stat, aquesta funció treballa amb el

DataFrame obtingut i en retorna els paràmetres estadístics indicats en la Taula 64 en els

camps de l’(1) al (9), dins dels diccionari del format de la funció

mira_primer_parcialment_stat.

Crida mira_primer_sencer(ll=[],k=10,assig=[])





Pàg. 74 Memòria




d’enters)


clau: codi d’assignatura (enter)

valor: llista de reals ordre de la qual i informació dels camps

detallada en la Taula 64, camps de l’(1) al (9).

Funció que crida directament mira_primer_sencer(ll,k,assig)

Taula 67. Resum tècnic mira_primer_sencer.

11.1.6.16. Funció fit_df

Aquesta funció rep un DataFrame de pandas i escriu un fitxer de text fit_df.txt. Fa una lectura

del DataFrame d’entrada i genera el fitxer amb diverses columnes, una per cada assignatura.

D’aquesta manera es pot generar una matriu de gràfics (vegeu 11.1.6.17). A part d’escriure el

fitxer, també retorna el DataFrame que escriu com a variable de sortida.

Crida fit_df(df)

Paràmetres d’entrada df: DataFrame de pandas

Objectes retornats DataFrame amb assignatures com a columnes

Taula 68. Resum tècnic fit_df.

11.1.6.17. Funció dib_scatmat

És la funció encarregada d’aprofitar el DataFrame retornat per la funció anterior. Realitza la

matriu de diagrames de punts que permet veure les relacions entre varies assignatures, en

aquest cas. Si es genera la matriu de totes les assignatures de primer es veu el següent:

Figura 20. Matriu de diagrames de punts de relacions de notes de les assignatures de la fase inicial.

Pàg. 75 Memòria

Crida dib_scatmat(df)

Paràmetres d’entrada df: DataFrame de pandas

Objectes retornats Matriu de diagrames de punts i el valor ‘fet’ com a comprovació en

cas de no visualitzar-lo directament

Taula 69. Resum tècnic dib_scatmat.

11.1.6.18. Funció prepara_dades_scatter_web

Funció de molt potencial que té un rendiment molt elevat. La seva execució tarda uns 2

segons i retorna una immensitat de dades important. Com bé indica el seu nom, prepara les

dades (notes de primeres convocatòries) per a poder ser representades en el lloc web amb

JavaScript.

Per a tenir bon rendiment de cara a lloc web (processos inferiors als 2 segons), treballa amb

conjunts i interseccions de conjunts per garantir que cada expedient té nota en l’assignatura de

primer i en la de segon, ja que genera llistes de parelles de notes, una de primer i una de

segon, per a poder-les representar com a punts. El seu funcionament es pot veure aplicat al

lloc web.

Crida prepara_dades_scatter_web()

Paràmetres d’entrada

Objectes retornats Llista de llistes de llistes.

La llista més interna és una llista de l’estil següent:

o [nota assignatura de primer, nota assignatura de

segon] representa un punt del diagrama

La llista interna, que no és la més interna, conté tots els

punts que relacionen dues assignatures, una de primer i una

de segon. Per tant és la llista equivalent a un scatterplot

sencer.

Taula 70. Resum tècnic prepara_dades_scatter_web.

11.1.6.19. Funció quants_passen

La funció quants_passen rep dos codis d’assignatura com a enters, el primer és el codi d’una

assignatura de segon i el segon és el codi d’una assignatura de primer. Amb diverses lectures

ràpides a tres fitxers de text, retorna el percentatge d’estudiants que han cursat l’assignatura

de primer i que han cursat també l’assignatura de segon. D’aquesta manera es pot veure

quanta gent que ha cursat una assignatura de primer, ha arribat a cursar-ne una concreta de

segon.

Pàg. 76 Memòria

Crida quants_passen(asegon,aprimer)

Paràmetres d’entrada asegon (enter): codi d’una assignatura de segon

aprimer (enter): codi d’una assignatura de primer

Objectes retornats Percentatge (real) d’estudiants que han cursat l’assignatura de

primer i, la de segon a posteriori respecte el total d’estudiants que

han cursat la de primer

Taula 71. Resum tècnic quants_passen.

11.1.6.20. Funció quantspassenmillorat

La funció quantspassenmillorat és una funció d’execució molt ràpida, ja que treballa amb

DataFrames de pandas i amb conjunts. Rep dos codis d’assignatura, una de la fase inicial i

una de la fase selectiva, i un any i un quadrimestre per cada una. Amb això, la informació que

se li entra és dues assignatures en un quadrimestre i curs concret, respectivament i retorna un

percentatge.

Aquest percentatge que retorna és el tant per cent d’alumnes que han cursat l’assignatura de

segon, en el curs i quadrimestre especificats, que havien cursat l’assignatura de primer en el

curs i el quadrimestre especificats respecte el total d’alumnes que cursaven l’assignatura de

primer en el curs i quadrimestres especificats.

Per rebaixar el tecnicisme s’il·lustra amb un exemple:

Si se li dóna a la funció 240011 (Àlgebra Lineal) a 2013 i quadrimestre 1 i 240133

(Mecànica) a 2014 i quadrimestre 1, la funció fa un conjunt amb tots els alumnes que

cursaven Àlgebra Lineal el quadrimestre 1 de 2013. També fa un conjunt amb els alumnes

que cursaven Mecànica el quadrimestre 1 de 2014. Un cop fet això, crea un conjunt amb la

intersecció dels dos anteriors, obtenint el conjunt amb tots els alumnes del primer que també

estan en el segon. Llavors retorna el percentatge seguint la següent equació:

𝑃𝑒𝑟𝑐𝑒𝑛𝑡𝑎𝑡𝑔𝑒 = 𝑙𝑜𝑛𝑔𝑖𝑡𝑢𝑑 𝑐𝑜𝑛𝑗𝑢𝑛𝑡 𝑖𝑛𝑡𝑒𝑟𝑠𝑒𝑐𝑐𝑖ó

𝑙𝑜𝑛𝑔𝑖𝑡𝑢𝑑 𝑐𝑜𝑛𝑗𝑢𝑛𝑡 𝑝𝑟𝑖𝑚𝑒𝑟𝑥 100 (𝐸𝑞. 2)

Pàg. 77 Memòria

Crida quantspassenmillorat(cursprimer, quadriprimer, aprimer, cursegon,

quadrisegon, asegon)

Paràmetres d’entrada cursprimer (enter): curs de l’assignatura de primer

quadriprimer (enter): quadrimestre de l’assignatura de

primer

aprimer (enter): codi d’assignatura de primer

cursegon (enter): curs de l’assignatura de segon

quadrisegon (enter): quadrimestre de l’assignatura de segon

asegon (enter): codi d’assignatura de segon

Objectes retornats Percentatge (real) d’estudiants que han cursat l’assignatura de

primer i, la de segon, cadascuna quan s’indica, respecte el total

d’estudiants que han cursat la de primer en el període que s’indica

Taula 72. Resum tècnic quantspassenmillorat.

11.2. Lloc web Tal i com es comenta en els capítols d’objectius i d’abast del treball, s’ha dissenyat un lloc

web per tal de poder permetre la interacció dels usuaris amb les dades a partir d’una interfície

còmoda i senzilla. L’organització dels diversos fitxers i carpetes es pot veure en el capítol

10.4.6.

11.2.1. Disseny i estructura

S’ha intentat dissenyar un lloc web complet però suficientment simple per a que l’usuari

pugui moure’s pel mateix sense gran dificultat. El web és adaptatiu a la mida de la finestra on

s’executa si és que s’està visualitzant des d’un ordinador. Segons si la pantalla és a mida

complerta o no, es mostra la secció del menú o s’amaga, respectivament.

Pàg. 78 Memòria

Com es pot veure en la imatge anterior, hi ha un menú a la part esquerra del web. Aquest

menú permet anar directament a l’apartat que es vulgui sols fent un clic al damunt. Si es para

atenció a la sèrie d’icones que apareixen al menú, just davant de la paraula que descriu la

funcionalitat, es pot veure que es diferent segons el cas. S’ha considerat el símbol d’una casa

per representar el Home o Inici, que és on es comença a navegar. Llavors hi ha dos símbols

més, la doble fletxa cap a la dreta, que indica que la funció retorna valors numèrics en la

mateixa pantalla i, el diagrama de barres, que indica que la funció retorna gràfics en altres

pantalles.

Aquest fet tant simple permet aportar intuïció i fer que l’usuari pugui fer-se una idea del que

està a punt de visualitzar al prémer una o altra ruta.

S’ha tingut en compte la comoditat visual i la formalitat de la presentació de resultats. És per

aquest motiu que l’elecció de colors, a la pàgina principal, ha estat la següent:

Blue-grey per la barra superior del web

Blanc pel fons del menú i per lletres

Light-grey pel fons de tot el web

Negre pel títol de benvinguda i lletres de paràgrafs i certs títols

#2196F3 per els títols de cada secció

#607D86 i #CCCCCC per donar contrast en les consecutives files d’una taula

Figura 21. Visualització inicial del lloc web dissenyat.

Pàg. 79 Memòria

11.2.2. Recursos utilitzats

Pel disseny gràfic del lloc web, així com també per la creació de funcions amb JavaScript i la

realització de gràfics, s’han emprat recursos online per a poder facilitar la feina i tenir un codi

més net.

Per utilitzar aquests recursos, es declaren com a <script> els que siguin relacionats amb

JavaScript i, amb <link> els que estiguin relacionats amb documentació d’estil i es referencia

el lloc web on està emmagatzemat el fitxer en qüestió.

S’utilitza documentació relacionada amb ús de JavaScript [13], documentació per generar els

gràfics de Highcharts [14][15] i, pel que fa a estil; disseny web de contenidors, colors, etc de

W3Schools [16] i, per simbologia i format de lletra, el fonts de Google [17] i el de CloudFlare

[18].

11.2.3. Funcionalitats

El lloc web, a part de tenir una interfície agradable, té un total de 8 funcionalitats relacionades

amb les qualificacions dels estudiants de l’ETSEIB. Per mitjà de formularis i botons, es

permet introduir les variables de funcions dissenyades amb anterioritat i, mitjançant els botons

se’n permet l’execució. L’usuari no necessita conèixer el nom de la funció ni quins

paràmetres rep ni retorna.

A cada secció hi ha una breu explicació del què cal introduir i del tractament que fa la funció,

ja que d’aquesta manera s’evita que l’usuari hagi de llegir-se la memòria del treball

prèviament.

11.2.3.1. Mitjana Fase Inicial

Aquesta secció del lloc web permet introduir un codi d’expedient d’estudiant. Si bé és cert

que els codis d’estudiant són números que l’estudiant mateix desconeix, es pot arribar a trobar

buscant per institut, nota d’accés, etc. Per tant, aquesta funcionalitat serveix per quan es

coneix el codi d’expedient.

Un cop introduït el codi d’expedient i es prem el botó ‘Calcula’ la pàgina es torna a carregar

substituint la frase del final de la Figura 22, per la que es veu en la Figura 23.

Pàg. 80 Memòria

Figura 22. Funcionalitat 1 del lloc web: Mitjana de la fase inicial.

Figura 23. Exemple de resultat de la funcionalitat 1 amb codi d’expedient 278080.

Realitza doncs el càlcul de la mitjana, ponderant per crèdits, de la fase inicial tenint en compte

absolutament totes les convocatòries de totes les assignatures. Això implica que, els estudiants

que ho aproven tot a la primera rebran la mitjana de la fase inicial real (sobre les 10

assignatures) i que els estudiants que no, rebran la mitjana sobre les N convocatòries que

hagin realitzat.

11.2.3.2. Mitjana de convocatòries per estudiant

En aquesta secció es permet el càlcul de la mitjana de convocatòries per estudiant de diverses

assignatures podent filtrar per any.

Hi ha un desplegable que permet escollir entre si es vol tota la fase inicial o tota la fase no

inicial i un espai per poder introduir el curs que es vol estudiar. Com ja detalla l’explicació

anterior del web, només funciona pels cursos del 2010 al 2015, ambdós inclosos i, si es desitja

veure els resultats per tots els cursos a l’hora, s’ha d’introduir un zero.

Un cop introduïts els valors i premut el botó ‘Veure gràfic’, el web porta a l’usuari cap a una

nova pàgina on es veu un contingut semblant al de la Figura 25. Segons els valors entrats en

la pàgina inicial es mostrarà un contingut diferent i, de forma evident, el gràfic també

canviarà.

Figura 24. Funcionalitat 2 del lloc web: Mitjana de convocatòries per estudiant.

Pàg. 81 Memòria

Gràcies al fet d’haver utilitzat la llibreria de Highcharts [14], el gràfic mostrat, diagrama de

barres verticals, presenta una certa animació al generar-se i permet veure quina assignatura és

cada barra i el seu valor tot col·locant el ratolí al damunt.

En totes les pantalles on es mostrin gràfics, hi ha un botó ‘Tornar’ que permet anar enrere, en

aquest cas, cap a la pantalla principal.

11.2.3.3. Percentatge d’aprovats a la primera

En aquesta secció es permet el càlcul del percentatge d’aprovats a primera convocatòria per

tots els anys d’una assignatura concreta. Com es pot veure en la Figura 26, hi ha una taula en

la pantalla principal amb tots els codis i la seva respectiva descripció, per tal de poder facilitar

l’experiència a l’usuari.

Figura 25. Resultat de la funcionalitat 2 del lloc web. Gràfic de barres verticals de la fase inicial el 2013.

Figura 26. Funcionalitat 3 del lloc web: Percentatge d’aprovats a la primera.

Pàg. 82 Memòria

Un cop premut el botó ‘Dibuixa’, es genera el gràfic (vegeu Figura 27) de barres horitzontals

amb tots els cursos.

11.2.3.4. Estadístiques generals

La funcionalitat d’estadístiques generals és generar una sèrie de paràmetres estadístics en la

mateixa pantalla principal, tal i com funcionava la primera funcionalitat del lloc web.

S’ha d’introduir un codi d’assignatura, valor que es pot veure en la taula de la funcionalitat

11.2.3.3, el curs que es desitgi, el quadrimestre (Tardor: 1, Primavera: 2) i marcar el checkbox

en funció de si es tenen o no coneixements estadístics. En cas d’haver-lo marcat, Figura 28, es

generaran totes els paràmetres estadístics que es mostren;

- Nombre: indica la quantitat de registres que es tenen i s’estudien.

- Mitjana: mitjana aritmètica de les qualificacions.

- Mínim i Màxim de les qualificacions objecte d’estudi.

- Mediana, primer i tercer quartil per aportar una informació de la disposició de les

dades.

- Error estàndard de la mitjana i desviació estàndard, que ja són paràmetres més tècnics.

En cas d’indicar que no es tenen coneixements d’estadística es mostren els tres primers punts

anteriors i la mediana.

Figura 27. Resultat de la funcionalitat 3 del lloc web amb Àlgebra Lineal.

Pàg. 83 Memòria

11.2.3.5. Percentatge de suspesos a segon filtrant per nota d’accés

Aquesta funcionalitat ja relaciona dades anteriors a la fase no inicial amb la fase no inicial.

Permet generar dos gràfics diferents amb la mateixa informació segons si es marca o no el

checkbox. La informació que rep és la següent:

- Nombre d’assignatures suspeses durant la fase inicial en general, és a dir, si un

estudiant repeteix dues vegades Àlgebra Lineal, contarà com a dues suspeses.

- Nota llindar d’accés. Aquest paràmetre serà el límit inferior del càlcul.

Amb aquesta informació es fa una selecció de tots els estudiants que han suspès N vegades

durant la fase inicial i, a més a més, tenen una nota d’accés igual o superior a la introduïda.

Si es marca el checkbox i, per tant s’indica que es desitgen els gràfics en tant per cent, es

mostra una pantalla com la de la Figura 30. El gràfic mostrat és un gràfic de disc amb diverses

seccions. Cada secció representa el nombre de suspeses a la fase no inicial.

Figura 28. Funcionalitat 4 del lloc web: Càlcul de les estadístiques generals.

Figura 29. Funcionalitat 5 del lloc web: Percentatge d’alumnes de que suspenen x a segon filtrant per nota d’accés.

Pàg. 84 Memòria

Per saber quantes suspeses indica cada secció, hi ha una llegenda a la part dreta que

s’il·lumina amb el color indicat al passar-hi per sobre amb el ratolí. D’aquesta manera, si es

vol veure quin formatget és el que indica el percentatge de dos suspeses a segon, es situa el

cursor al damunt, s’il·lumina de color groc i es pot veure el valor en tant per cent en el gràfic.

Si, en cas contrari, no es volen els resultats en percentatge, sinó que es volen en valors

absoluts, es mostra un diagrama de barres com el de la Figura 31.

Figura 30. Resultat de la funcionalitat 5 mostrat en percentatge havent-ne suspès 1 a primer i amb nota d’accés més gran o igual a 11.2.

Figura 31. Resultat de la funcionalitat 5 mostrat en nombres absoluts havent-ne suspès 1 a primer i amb nota d’accés més gran o igual a 11.2.

Pàg. 85 Memòria

11.2.3.6. Probabilitat de suspendre a segon

Aquesta secció genera un gràfic de barres verticals amb la probabilitat, en percentatge, de

suspendre X assignatures a la fase no inicial, havent-ne suspès N a la fase inicial. El nombre

d’assignatures suspeses durant la fase inicial és l’únic paràmetre d’entrada de la funció, en

aquest cas.

11.2.3.7. Scatterplots de notes de primer vs segon

Aquesta funcionalitat és la més potent en quant a càlcul realitzat. Com es pot observar en la

Figura 34, no es requereix cap paràmetre d’entrada, simplement s’ha de prémer el botó.

El que realitza aquesta funció és una sèrie de gràfics (10) de punts en dues dimensions per tal

de relacionar les notes de totes les assignatures de la fase inicial amb una de la fase no inicial.

Per defecte, quan es prem el botó, es realitza aquest estudi amb les relacions entre totes les

assignatures de fase inicial i Electromagnetisme. És fàcil veure’n relacions i comportament a

partir dels quatre quadrants que es delimiten amb línies discontínues vermelles, tal i com es

pot veure en la Figura 35.

Figura 32. Funcionalitat 6 del lloc web: probabilitat de suspendre’n X a segon havent-ne suspès N a primer.

Figura 33. Resultat de la funcionalitat 6 amb N = 2.

Pàg. 86 Memòria

Figura 34. Funcionalitat 7 del lloc web: Dibuix de diagrames de punts.

A la part dreta de la pantalla hi apareixen un total de 11 botons que permeten realitzar el canvi

de l’assignatura de la fase no inicial que es vulgui visualitzar permetent generar un total de

110 gràfics diferents.

11.2.3.8. Percentatge d’estudiants que passen a cursar una assignatura

Aquest apartat ha estat dissenyat per tal de poder aplicar la funció quantspassenmillorat.

Com que durant l’estudi de les dades no s’ha pogut dur a terme per totes les casuístiques

possibles, s’incorpora al lloc web perquè l’usuari pugui tractar les dades com desitgi. Així es

dóna una continuació a l’estudi del capítol 12.2.5.

Com es veu en la Figura 36, la secció té una explicació del càlcul que realitza. Aquest càlcul

busca quants dels estudiants que feien l’assignatura en un període concret, fan la de segon en

un altre període concret. Totes les dades s’introdueixen manualment i el web obre una nova

pantalla (vegeu Figura 37).

Figura 35. Resultat de la funcionalitat 7. Gràfic de notes d’Electromagnetisme contra Àlgebra.

Pàg. 87 Memòria

Figura 36. Funcionalitat 8 del lloc web: Quantitat d’alumnes que passen d’una asignatura a una altra.

Figura 37. Resultat de la funcionalitat 8 amb les dades per ordre; 2013, 1, 240011, 2014, 1 240031.

En aquesta nova pantalla hi apareix el resultat en percentatge de les dades que s’han introduït

prèviament. A més a més, s’acompanya d’una explicació per poder entendre amb totalitat el

que ha calculat.

Com a complement, es crea una taula amb la informació de totes les possibilitats

contemplades entre les dues assignatures introduïdes, taula semblant a la que es pot veure en

el capítol 12.2.5. Cada requadre és una combinació de quadrimestres i anys diferent i, gràcies

a això es poden observar les evolucions que hi ha.

Pàg. 88 Memòria

11.2.4. Manual d’usuari

El lloc web està dissenyat per a ser executat en local. Si bé és cert que es contempla la opció

de poder penjar-lo a la xarxa o fer-lo públic però no s’aplica. Per tal de poder visualitzar el

lloc web, tenint accés a totes les funcions i podent fer correcte ús de Flask, cal realitzar els

següents passos:

1) Tenir la carpeta instal·lada en l’ordinador. És molt important mantenir la configuració

entregada i mostrada en apartats anteriors, ja que sinó Flask no és capaç de fer

referència als fitxers perquè està dissenyat per a aquesta configuració concreta.

2) Un cop es té la carpeta disposada com s’ha indicat o s’ha entregat cal obrir el terminal

3) En el terminal entrar fins a microblog, carpeta que emmagatzema les carpetes app,

flask, tmp i el fitxer run.py.

4) Escriure la comanda: python3 run.py

Cal respectar aquesta comanda perquè si és comet l’error d’introduir python3 run.py &

el sistema tindrà el servidor ocupat en fons i s’haurà d’identificar el procés amb ps –ef

| grep python i posteriorment s’haurà de matar amb kill –a i l’identificador del procés

actiu.

5) Un cop iniciat el terminal mostrarà un text com el següent:

On s’inicia la sessió amb mode Debugger per tal de localitzar els errors en cas de

generar-ne al introduir dades incorrectes, per exemple.

6) Obrir el navegador, Firefox per exemple, i escriure localhost:5000

7) A continuació, es mostrarà el contingut del web actualitzat amb tota la informació

variable de Flask i es podrà navegar pel mateix.

8) Per a tancar el web cal tancar el navegador i finalitzar el procés en el terminal amb

Ctrl + C.

Figura 38. Iniciació del servidor.

Pàg. 89 Memòria

12. RESULTATS I VALIDACIÓ

12.1. Eines estadístiques

12.1.1. Boxplot o Diagrama de caixes

Per a la representació gràfica d’alguns resultats és interessant aplicar el gràfic de caixes,

conegut com Box Plot, que mostra la dispersió de les dades de la mostra.

El Box Plot és un mètode estàndard utilitzat per descriure gràficament la distribució de les

dades basat en cinc indicadors numèrics: màxim, mínim i els tres quartils (primer, segon i

tercer quartil).

El Box Plot simple mostra una caixa en forma de rectangle que té com a base l’altura del

primer quartil i com a límit superior el tercer quartil, disposant el gràfic verticalment com en

les imatges precedents. Aquesta distància que els separa s’anomena rang interquartílic (IQR),

on hi ha el 50% de les observacions. La línia que es troba dins del rectangle, entre el primer i

el tercer quartil, és la mediana.

Els bigotis o “whiskers” són les línies que es troben fora del rectangle i van des d’aquest fins

al màxim valor de la mostra i fins al mínim, respectivament.

A vegades però, es requereix més informació per tal de quantificar les observacions de la

mostra. Per fer això amb els diagrames de caixes, s’afegeixen dos conceptes nous diferents als

de la representació simple.

Els quartils queden representats de la mateixa manera que en el Box Plot simple però, els

bigotis descriuen els límits interns de desviació de les dades, és a dir, les observacions que es

Figura 40. Boxplot simple. Figura 39. Boxplot amb mesures extremes.

Pàg. 90 Memòria

trobin a 1.5 vegades l’IQR quedaran dins del bigoti. Les que es trobin entre 1.5 vegades i 3.0

vegades el rang interquartílic es representaran amb punts buits o petites circumferències i

rebran el nom de possibles valors atípics. Els altres valors que es troben 3.0 vegades l’IQR

allunyats del tercer quartil reben el nom de valors atípics i es representaran amb punts o

cercles.

Amb això es pot comprovar si l’anàlisi que s’està duent a terme té coherència i es poden

detectar les dades extremes i veure si aquestes observacions provenen o no de la població

correcta. Si les dades estan distribuïdes seguint una llei normal, el rang interquartílic serà:

𝐼𝑄𝑅 = 1.35𝜎 on σ és la desviació estàndard de la població.

12.1.2. Diagrama de barres

De manera evident, es farà ús dels diagrames de barres, ja que són molt útils quan es tenen

grups de dades separats i amb valors assignats a cada grup. Amb l’ajuda dels gràfics de barres

es pot representar de manera quantitativa aportant d’aquesta manera una valoració ràpida dels

resultats de l’anàlisi. Com es pot observar en la Figura 41, les dades es poden agrupar segons

els filtres que es creïn, és per aquest motiu que seran de gran utilitat.

12.1.3. Histograma

De manera molt semblant als gràfics de barres, es treballarà amb Histogrames per tal de poder

representar la quantitat d’ocurrències d’un valor tot separant els diferents valors de forma

clara. Són molt útils quan es vol veure com estan distribuïdes les dades i resulten de gran

aplicació per variables discretes que prenen un valor concret, com per exemple dos estat

diferenciats 1 i 0, així com també amb dades contínues com poden ser les notes d’un grup

d’estudiants que poden prendre qualsevol valor comprès entre el 0 i el 10.

Figura 41. Diagrama de barres extret de Google developers.

Pàg. 91 Memòria

12.1.4. Diagrama de punts o Dotplot

El diagrama de punts, o dotplot en anglès, serà útil per prendre consciència de com són les

dades i com estan distribuïdes. Juntament amb l’histograma, serveixen sobretot per fer la

primera presa de contacte de forma gràfica i intuïtiva del comportament de les dades. Serà de

gran ajuda per poder tenir una primera idea per llavors profunditzar en el que sigui de real

interès.

12.1.5. P-valor

És el nivell de significació més petit possible que pot escollir-se pel qual encara s’acceptaria

la hipòtesis alternativa. Un nivell de confiança superior al p-valor, doncs, implica rebutjar la

hipòtesi nul·la, H0. El p-valor s’ha de tractar com una probabilitat, de fet, n’és una, ja que el

rang de valors pel qual es pot moure és entre 0 i 1, ambdós inclosos.

El p-valor s’empra en múltiples proves estadístiques per rebutjar o acceptar la hipòtesi nul·la.

És important saber el valor exacte del p-valor per poder tenir la capacitat de decidir quina és

la decisió, ja que el paràmetre α, el nivell de significació el tria cadascú i, per tant, pot variar

segons els requeriments del test que s’estigui realitzant.

Condició Decisió a prendre

𝒑 − 𝒗𝒂𝒍𝒐𝒓 > 𝜶 Acceptar H0

𝒑 − 𝒗𝒂𝒍𝒐𝒓 ≤ 𝜶 Rebutjar H0, Acceptar H1

Taula 73. Criteri d’acceptació o rebuig d’una hipòtesi.

12.1.6. Coeficient de correlació de Pearson (r)

Sol ser objecte d’estudi, quan es disposa d’una mostra de dades d’una població, el fet

d’observar si existeix o no correlació entre dues variables. Es distingeixen tres tipus de

correlació:

- Positiva: quan una variable augmenta el seu valor, l’altra també.

- Negativa: quan una variable augmenta el seu valor, l’altra disminueix.

- No correlació: quan una variable té una tendència, l’altra no en mostra cap.

Figura 42. Tipus de correlació segons forma del gràfic.

Pàg. 92 Memòria

12.1.7. Scatterplot

S’emprarà l ’scatterplot per estudi previ a extracció de resultats. Com s’ha vist en l’apartat

11.1.6. els gràfics ‘scatterplot’ permeten veure sobre un espai pla, com estan distribuïts els

punts sobre el pla i veure si hi pot haver relació entre les tendències de les variables o no.

12.2. Resultats

12.2.1. Percentatge d’aprovats a primera convocatòria

És d’interès veure quin és el percentatge d’aprovats a primera convocatòria de cada

assignatura. Es pot fer l’anàlisi en global per tots els cursos dels quals es tenen dades així com

també filtrant per curs. La funció que permet realitzar aquest estudi és la funció

percen_aprovats_primera del capítol 11.1.5.3. A la taula següent es presenten els resultats

obtinguts en l’execució d’aquesta funció classificats per assignatures i per cursos. Cada valor

està expressat en tant per cent i, quan el valor val zero és perquè d’aquella assignatura, en

aquell curs, no es disposen dades. Com es pot observar són totes les assignatures de la fase no

inicial el curs del 2010, ja que l’estudi comprèn el grau i no la llicenciatura.

Curs

Assignatura Tots 2010 2011 2012 2013 2014 2015

Àlgebra Lineal 72,0844812 66,4835165 78,3834586 74,3119266 57,7054795 76,6956522 80,8247423

Càlcul I 68,8142771 75,6916996 75,4420432 70,7530648 66,3120567 66,3585952 60,3252033

Mecànica Fonamental 66,4868106 73,0098087 66,5474061 66,3837012 75,8490566 67,2862454 52,0661157

Química I 76,753122 82,8865979 68,86121 78,7992495 81,512605 75,3787879 74,5825603

Fonaments d'Informàtica 67,4757282 54,9152542 70,5024311 71,8381113 71,0820896 73,1316726 63,9072848

Geometria 72,0244151 76,6197183 85,7685009 67,74942 75,0957854 70,5244123 58,1105169

Càlcul II 70,7811972 74,084507 87,4759152 62,4423963 73,5185185 67,3321234 60,3942652

Termodinàmica Fonamental 67,7817473 67,1428571 73,0902778 72,0790792 61,038961 75,3872633 56,8181818

Química II 79,8132184 75,9067358 84,4720497 82,4444444 74,5263158 82,2519084 78,3261803

Expressió Gràfica 78,1907433 74,9318801 85 75,6355932 78,8187373 76,2808349 77,5757576

Electromagnetisme 67,5853018 0 91,5697674 58,250497 71,372549 67,7033493 56,7514677

Mètodes Numèrics 86,8610135 0 90,6906907 82,7004219 86,440678 91,6449086 94,6153846

Materials 72,6045884 0 82,7893175 72,6915521 67,2489083 68,973747 73,6

Equacions Diferencials 75,3552398 0 85,1851852 70,1244813 72,0156556 67,4584323 83,7782341

Informàtica 79,3103448 0 94,3283582 77,8508772 78,7449393 75,826972 73,8430584

Mecànica 53,0003469 0 62,2641509 58,096828 58,1314879 47,0989761 43,6781609

Economia i Empresa 92,5 0 93,8461538 93,4684685 92,2252011 94,1489362 89,8004435

Estadística 92,0422927 0 92,746114 92,4882629 86,7208672 93,9313984 94,1860465

Dinàmica de sistemes 87,791343 0 91,1111111 85,202864 86,5979381 92,1259843 86,1751152

Projecte I 99,8132005 0 100 99,469496 100 100 99,7354497

Teoria de màquines i mecanismes 72,924006 0 92,6553672 75,6626506 76,9767442 68,6320755 64,5101664

Taula 74. Resultats de l’estudi en tant per cent. Percentatges d’aprovats a la primera de totes les assignatures filtrant per cursos.

Pàg. 93 Memòria

Es pot observar que Projecte I és l’assignatura que més facilitat presenta per ser aprovada tot

comparant-la amb les altres. Per contra, es pot comprovar que Mecànica és l’assignatura que

presenta més problemàtica a l’hora de ser aprovada a la primera convocatòria. També,

observant les cel·les en verd, es veu que Mètodes Numèrics, Estadística i Economia i

Empresa solen ser assignatures que la gran majoria d’alumnes aprova a la primera. Fent

l’anàlisi per curs, es pot veure que els cursos 2013 i 2015, pel que fa la fase inicial van ser

cursos durs pels estudiants que els cursaven, ja que els percentatges són molt més propers al

50% que no al 100%.

12.2.2. Evolució del percentatge d’aprovats a primera convocatòria

De l’estudi immediatament anterior a aquest capítol, neix la necessitat de veure com

evoluciona cada assignatura al llarg del temps. Si bé és cert que en la Taula 74 ja hi apareix

l’evolució amb format numèric, és interessant mostrar aquesta evolució mitjançant un gràfic

de barres. Aquests diagrames de barres estan dissenyats per tal de mostrar en cada figura una

sola assignatura i, en cada barra el percentatge d’aprovats a primera convocatòria dels

diferents cursos dels quals es tenen dades. Per exemple, en el cas d’Àlgebra Lineal es mostren

els cursos des de 2010 fins a 2015, ambdós inclosos. Però, en el cas d’Economia i Empresa

sols es mostren a partir del 2011 inclòs. Tots els gràfics es poden veure en l’ANNEX II.

Figura 44. Diagrama de barres del percentatge d’aprovats a la primera d’Àlgebra Lineal. Figura 43. Diagrama de barres del percentatge d’aprovats

a la primera d’Economia i Empresa.

Pàg. 94 Memòria

12.2.3. Correlació entre variables

Un anàlisi interessant a fer és veure el comportament general dels estudiants segons hagin

suspès una assignatura a primer, per exemple, es podria plantejar la pregunta següent: si un

estudiant de l’ETSEIB suspèn l’assignatura de Mecànica Fonamental durant la fase inicial,

suspèn també Mecànica de la fase no inicial?

Per a realitzar aquest estudi s’ha creat una funció amb Python que el que fa és rebre dos codis

d’assignatures, un codi d’una assignatura de la fase inicial i un d’una de la fase no inicial, en

aquest ordre i com a números enters i, amb l’ajut de la llibreria pandas, fa un tractament a les

dades per filtrar-les. També rep una variable anomenada ‘limitalt’ que per defecte val 5 però,

que si s’informa valdrà el valor que es defineixi. Aquesta variable permet estalviar escriure

molt codi repetitiu i s’empra per prendre tots els estudiants de la primera assignatura amb nota

inferior al valor que representa. De la mateixa manera rep una altra variable, ‘limitbaix’, valor

per defecte 0, que delimita el límit inferior de la selecció.

La funció agafa tots els codis d’expedient que han tret una nota inferior al límit superior

indicat, sinó és un 5, de l’assignatura de la fase inicial i superior o igual al límit inferior i, va a

buscar les seves notes de primera convocatòria de l’assignatura de la fase no inicial escollida.

Posteriorment, genera un fitxer amb el DataFrame tractat per poder obrir-lo en Excel.

Un cop obert a Excel canviant els punts per comes es pot exportar a Minitab on es realitzarà el

tractament estadístic per esbrinar si existeix correlació entre les notes i el fet d’aprovar amb

l’ajut de gràfics i de termes com el p valor o el coeficient r de correlació.

12.2.3.1. Mecànica Fonamental vs Mecànica

Cas 1: Suspendre Mecànica Fonamental implica suspendre Mecànica?

Realitzant l’anàlisi tal i com s’ha indicat anteriorment, s’arriba al Minitab amb dues columnes

de notes (Nota de la primera assignatura i nota de la segona). Com que es tracta de veure si el

fet de suspendre Mecànica Fonamental, en aquest cas, implica pràcticament suspendre

Mecànica, cal passar a discreta la variable Nota de mecànica tenint dos estats possibles:

Així doncs, l’anàlisi es duu a terme amb les notes de mecànica fonamental (únicament les

suspeses a primera convocatòria) i una columna de uns i zeros tal i com s’ha detallat en la

Taula 75.

Estat 0 1

Nota < 5 ≥ 5

Taula 75. Caracterització d’estat.

Pàg. 95 Memòria

Fent un histograma es pot observar a

simple vista que la quantitat de

suspesos de Mecànica a primera

convocatòria supera amb escreix a la

quantitat d’aprovats a primera

convocatòria també.

Si es treballés amb les notes sense haver-les passat a discret és interessant veure el boxplot,

gràfic de caixes, i el dotplot, gràfic de punts que s’adjunten a continuació:

Aquests dos gràfics ens permeten veure com es distribueixen les notes de Mecànica per la

gent que ha suspès Mecànica Fonamental amb anterioritat. És de fàcil observar que la majoria

de punts es situa per sota del 5. Inclús es pot veure l’arrodoniment que s’ha de fer per poder

aprovar a més gent veient la quantitat de 5.0 que hi ha. Amb el boxplot podem veure la nota

atípica que és propera al 10 i també, amb ajut de la posició de la mediana, que més del 50%

de les mostres es troben per sota de l’aprovat.

Malgrat la clara evidència, s’ha de veure què indiquen els indicadors estadístics de correlació.

Fent la correlació de Pearson entre la nota de Mecànica Fonamental i l’estat discret de les

notes de Mecànica s’arriba al següent resultat:

Figura 45. Histograma dels suspesos (0) i els aprovats (1) de Mecànica dels expedients que han suspès Mecànica Fonamental.

Figura 47. Diagrama de punts (dotplot) de les notes de Mecànica dels expedients que han suspès Mecànica Fonamental.

Figura 46. Boxplot de les notes de Mecànica dels expedients que han suspès Mecànica Fonamental

Pàg. 96 Memòria

Es té un coeficient de correlació r = 0,102. Cosa que indica que sí que existeix certa correlació

entre variables, tot i que poca. Si es mira el nivell de significança havent pres un 95%

d’interval de confiança es veu que és p-valor = 0,053 molt proper al 0,05 que s’havia

plantejat.

En un cas com aquest es podria prendre la llibertat d’acceptar que si que existeix una

correlació entre els dos factors encara que no és molt forta.

Probablement, en molts casos les notes, que apareixen com a 5.0, són lleugerament inferiors

al aprovat i, es considera, segons el cas que es tracti, aprovar-lo ja que pot merèixer-ho. Així

doncs, el nombre de suspesos augmentaria, fent baixar el d’aprovats i, el p valor es reduiria

augmentant el coeficient de Pearson. Per tant, es pot concloure que existeix una relació entre

suspendre Mecànica Fonamental i Mecànica.

Cas 2: Treure menys d’un 4.0 a Mecànica Fonamental implica suspendre Mecànica?

En aquest segon cas es realitza

exactament el mateix estudi que el

que s’ha realitzat anteriorment,

però ara es prenen les dades que

corresponen als expedients dels

estudiants que han tret menys

d’un 4.0 a Mecànica Fonamental.

Si es representa l’histograma de

les notes de Mecànica veiem que

es concentren, la gran majoria, en

la franja de suspesos.

Si ara es passa a discret la nota de

Mecànica es pot estudiar la correlació que hi ha, si es dóna el cas, entre les notes de Mecànica

Fonamental per sota del 4 i el fet d’haver aprovat o suspès Mecànica. Fent el mateix test de

Figura 48. Coeficient de correlació i p-valor de la relació entre Mecànica i Mecànica Fonamental dels expedients que han suspès Mecànica Fonamental.

Figura 49. Histograma de les notes de Mecànica dels expedients que han tret menys d’un 4.0 a Mecànica Fonamental.

Pàg. 97 Memòria

correlació s’obté un p valor molt superior al 0.05 que el nostre nivell de significança

determinava. (p-valor = 0,191).

Així doncs sorgeix la inquietud de provar si amb un interval més precís es pot determinar

certa correlació significativa.

Cas 3. Treure entre un 3.5 i un 5.0 (no inclòs) de Mecànica Fonamental implica suspendre

Mecànica?

Realitzant l’estudi s’arriba al següent resultat que no ens permet acceptar la correlació com

significativa, ja que el p-valor és més gran que l’imposat per nosaltres.

Cas 4. Taula Mecànica Fonamental vs Mecànica

Sorgeix la inquietud de veure si hi ha relació en el cas d’aprovar Mecànica Fonamental i la

nota de Mecànica. Per això, cal el disseny d’una nova funció que filtri segons els requeriments

necessaris. En la Taula 76 s’adjunten els resultats anteriors, algunes comprovacions extra i el

cas que ocupa havent aprovat l’assignatura de la fase inicial.

Ara bé, per contra, en aquest cas l’estudi es fa segons les notes i no l’estat d’haver aprovat o

no, ja que els resultats donen més acurats realitzant l’estudi amb els valors continus de les

notes.

Figura 50. Coeficient de correlació i p-valor de la relació entre les notes de Mecànica i Mecànica Fonamental dels expedients que han tret menys d’un 4.0 a Mecànica Fonamental.

Pàg. 98 Memòria

Límit

inferior

(inclòs)

Límit

superior

P-valor r Hi ha

correlació?

Variància

Notes

Mecànica

Fonamental

Variància

Notes

Mecànica

Covariància

0 5 0.053 0.102 Pràcticament sí 0.725604 3.509277 0.044969

0 4 0.191 0.095 No 0.581025 3.372419 0.129068

3.5 5 0.790 0.016 No 0.142946 3.564339 -0.025359

3.9 5 0.396 0.058 No 0.0730601 3.4995270 0.0239390

Límit

inferior

(inclòs)

Límit

superior

(inclòs)

P-valor r Hi ha

correlació?

5 10 0.000 0.381 Sí 0.964675 3.747115 0.723576

7 10 0.000 0.336 Sí 0.294541 2.857747 0.307827

8 10 0.000 0.425 Sí 0.148474 2.860015 0.277239

Taula 76. Coeficients de correlació i p-valor de les relacions entre les notes de Mecànica i Mecànica Fonamental segons les condicions imposades.

Observant els resultats de la segona secció de la Taula 76 es pot observar a simple vista que hi

ha una correlació entre aprovar Mecànica Fonamental i aprovar Mecànica. Cal aclarir que

aquest fet no és una veritat absoluta, és a dir, hi pot haver casos d’estudiants, de fet n’hi ha,

que hagin aprovat a la primera Mecànica Fonamental i, que han suspès Mecànica també a

primera convocatòria.

12.2.3.2. Fonaments d’Informàtica vs Informàtica

De forma semblant als casos anteriors estudiats per demostrar i buscar la correlació entre les

notes de Mecànica Fonamental i les notes de Mecànica, es busquen assignatures que puguin

tenir una relació de competències. Per exemple, Fonaments d’Informàtica i Informàtica de la

fase no inicial. Aquests múltiples casos que s’analitzen a continuació es duran a terme amb la

mateixa metodologia emprada en l’anterior apartat.

A continuació es presenta la taula de resultats obtinguda un cop realitzat l’estudi.

Pàg. 99 Memòria

Observant la Taula 77 es pot veure que existeix una correlació real entre les notes de

Fonaments d’Informàtica i les d’Informàtica. Aquest fet pot ser degut que els coneixements

d’informàtica en general, solen ser uns coneixements que no tothom comprèn a la primera.

Cal un desenvolupament mental important per poder dominar la lògica que no es pot estudiar.

És per això que als estudiants que els hi costa més aprovar amb èxit l’assignatura de la fase

inicial, tendeixen a patir complicacions en la fase no inicial, cosa que és totalment contrària

amb aquells estudiants que dominen l’assignatura des de la fase inicial.

Límit

inferior

(inclòs)

Límit

superior

P-valor r Hi ha

correlació?

Variància Nota

Fonaments

Informàtica

Variància Nota

Informàtica

Covariància

0 5 0.000 0.266 Sí 2.15357 3.36266 0.71518

0 3.5 0.002 0.178 Sí 1.23270 3.63233 0.37598

Límit

inferior

(inclòs)

Límit

superior

(inclòs)

P-valor r Hi ha

correlació?

5 10 0.000 0.445 Sí 1.81499 3.98249 1.19689

7.5 10 0.000 0.303 Sí 0.507575 3.158710 0.383138

Taula 77. Coeficients de correlació i p-valor de les relacions entre les notes de Fonaments d’Informàtica i Informàtica segons les

condicions imposades.

Pàg. 100 Memòria

12.2.3.3. Àlgebra Lineal vs Equacions Diferencials

Seguint el procés i la metodologia emprada en els subapartats anteriors es fa l’anàlisi de la

correlació entre les notes d’Àlgebra Lineal i Equacions Diferencials separant per sectors les

notes de l’assignatura de la fase inicial, per veure si el comportament és el mateix o semblant.

Podem observar doncs, de la Taula 78, que existeix una correlació quan els estudiants aproven

a Àlgebra Lineal a primer. Això ve a dir que el fet d’aprovar Àlgebra Lineal a primer fa que a

segon, la facilitat dels estudiants per aprovar Equacions Diferencials sigui més alta.

12.2.3.4. Càlcul I vs Equacions Diferencials

Podem observar, amb els resultats obtinguts en la Taula 79, que hi ha correlació pel que fa a

la part aprovada. La part suspesa no presenta correlació. Això implica, així com en els casos

anteriors, que el fet d’aprovar Càlcul I facilita el fet d’aprovar Equacions Diferencials. De fet,

l’anàlisi en si, demostra amb resultats numèrics que les notes aprovades de Càlcul I presenten

correlació amb les notes aprovades de Equacions Diferencials, dels mateixos estudiants.

Taula 78. Coeficients de correlació i p-valor de les relacions entre les notes d’Àlgebra Lineal i Equacions Diferencials segons les condicions imposades.

Límit

inferior

(inclòs)

Límit

superior

P-valor r Hi ha

correlació

?

Variància

Nota Àlgebra

Lineal

Variància Nota

Equacions

Diferencials

Covariància

0 5 0.143 0.075 No 0.906356 3.078448 0.125329

0 3.5 0.178 -0.113 No 0.766579 3.390404 -0.182668

Límit

inferior

(inclòs)

Límit

superior

(inclòs)

P-valor r Hi ha

correlació

?

5 10 0.000 0.391 Sí 1.15641 2.88987 0.71470

7.5 10 0.000 0.313 Sí 0.423832 2.390867 0.314632

Límit

inferior

(inclòs)

Límit

superior

P-valor r Hi ha

correlació

?

Variància

Nota Càlcul I

Variància Nota

Equacions

Diferencials

Covariància

0 5 0.268 0.06 No 0.599257 3.199450 0.083072

0 3.5 0.387 0.087 No 0.362121 3.204827 0.094253

Límit

inferior

(inclòs)

Límit

superior

(inclòs)

P-valor r Hi ha

correlació

?

5 10 0.000 0.442 Sí 1.18738 2.82823 0.81019

7.5 10 0.000 0.390 Sí 0.379369 1.848419 0.326695

Taula 79. Coeficients de correlació i p-valor de les relacions entre les notes de Càlcul I i Equacions Diferencials segons les condicions imposades.

Pàg. 101 Memòria

12.2.3.5. Càlcul II vs Equacions Diferencials

Observant els resultats de la Taula 80, es veu que si l’interval de confiança fos una mica més

ample, podríem dir que existeix una correlació entre les qualificacions de Càlcul II i les

d’Equacions Diferencials. Aquesta correlació és deguda a la semblança de coneixement de les

dues assignatures. Càlcul II serveix de base per entendre molts conceptes que s’apliquen

directa i indirectament a Equacions Diferencials, per tant, és comprensible que hi hagi

correlació entre les qualificacions d’una i altra, ja que si no s’assoleixen els coneixements

adequats és més complicat aprovar Equacions Diferencials.

12.2.3.6. Química II vs Materials

Com es pot veure en la Taula 81, no hi ha correlació pel que fa a la banda del suspès de

Química II. En canvi per la banda aprovada sí. Aquest fet és degut al fet que Materials té certa

relació amb els conceptes de Química II, però no totals. A Materials s’apliquen conceptes

d’estructures reticulars, per exemple, però tota la part de formulació orgànica i inorgànica, un

gran bloc de Química II, no s’aplica a Materials. Aquest desencaixament justifica les dades.

Límit

inferior

(inclòs)

Límit

superior

P-valor r Hi ha

correlació

?

Variància

Nota Càlcul II

Variància Nota

Equacions

Diferencials

Covariància

0 5 0.040 0.102 Sí 1.51463 3.09302 0.22028

0 3.5 0.059 0.137 No 1.20399 3.31921 0.27474

Límit

inferior

(inclòs)

Límit

superior

(inclòs)

P-valor r Hi ha

correlació

?

5 10 0.000 0.442 Sí 1.18738 2.82823 0.81019

7.5 10 0.000 0.390 Sí 0.379369 1.848419 0.326695

Taula 80. Coeficients de correlació i p-valor de les relacions entre les notes de Càlcul II i Equacions Diferencials segons les condicions imposades.

Límit

inferior

(inclòs)

Límit

superior

P-valor r Hi ha

correlació

?

Variància

Nota Química

II

Variància Nota

Materials

Covariància

0 5 0.179 0.081 No 1.13153 2.85756 0.14542

0 3.5 0.887 -0.014 No 0.956594 3.290850 -0.025059

Límit

inferior

(inclòs)

Límit

superior

(inclòs)

P-valor r Hi ha

correlació

?

5 10 0.000 0.436 Sí 1.46864 2.13580 0.77158

7.5 10 0.000 0.373 Sí 0.485359 1.544415 0.322882

Taula 81. Coeficients de correlació i p-valor de les relacions entre les notes de Química II i Materials segons les condicions imposades.

Pàg. 102 Memòria

12.2.4. Mitjana de convocatòries per estudiant

Un paràmetre interessant d’estudi que pot considerar-se indicador de la dificultat de

l’assignatura en qüestió és el nombre de convocatòries per estudiant que té dita assignatura.

Aquest paràmetre es basa en la suma de totes les convocatòries que ha rebut l’assignatura en

un període de temps concret dividit pel nombre total d’estudiants del mateix període.

La funció encarregada de les mitjanes de convocatòries, amb ajut de la funció que genera els

gràfics (vegeu capítol 11.1.5.1 i 11.1.5.2) retornen informació en forma de gràfic i en forma

de nombres reals de molt alta precisió tal i com es mostra en la taula que es mostra a

continuació.

Observant els resultats de l’anterior Taula 82 es pot veure que durant el curs del 2013-2014

Àlgebra Lineal va ser l’assignatura que més es va repetir per nombre d’estudiants que la van

cursar, seguida de Càlcul I i Fonaments d’Informàtica que són les assignatures que en general

es repeteixen més durant la fase inicial.

La figura que es genera amb la funció pinta_convocatories (vegeu capítol 11.1.5.2) és la

següent:

2013 - Fase Inicial

Assignatura Mitjana de convocatòries per estudiant

Àlgebra Lineal 1,3518518518518519

Càlcul I 1,2995391705069124

Mecànica Fonamental 1,162280701754386

Química I 1,1333333333333333

Fonaments d’Informàtica 1,2465116279069768

Geometria 1,0524193548387097

Càlcul II 1,0693069306930694

Termodinàmica Fonamental 1,0977596741344195

Química II 1,021505376344086

Expressió Gràfica 1,0380549682875264

Taula 82. Mitjana de convocatòries per estudiant el 2013 de la fase inicial.

Pàg. 103 Memòria

En aquest cas, la imatge correspon al gràfic de barres de les mitjanes de convocatòries per

estudiant de la fase inicial el durant el curs 2013. Per a veure totes les taules i imatges

d’aquest estudi vegeu ANNEX III.

12.2.5. Quantitat d’estudiants que passen

Aquest apartat intenta veure quins són els percentatge d’estudiants que passen d’una

assignatura a una altra.

Si es fa un primer estudi amb la funció quants_passen, s’obté la Taula 83 que relacionen

quants estudiants passen de l’assignatura de primer a la de segon, amb totes les dades que es

tenen sense filtrar per any.

240031 240032 240033 240131 240132 240133 240041 240042 240043 240044 240141

240011 68,31 69,73 69,1 70,16 70,43 68,86 67,65 65,14 63,1 62,16 61,14

240012 68,26 69,68 69,05 70,07 70,35 68,81 67,56 65,08 63,04 62,14 61,12

240013 68,37 69,74 69,12 70,14 70,41 68,88 67,66 65,19 63,06 62,12 61,14

240014 68,36 69,77 69,1 70,2 70,47 68,87 67,7 65,19 63,08 62,14 61,13

240015 68,46 69,75 69,13 70,22 70,46 68,97 67,68 65,18 63,11 62,17 61,16

240021 73,23 74,68 74,01 75,18 75,38 73,85 72,48 69,82 67,54 66,42 66,5

240022 74,26 75,74 75,11 76,17 76,42 74,85 73,49 70,82 68,53 67,39 66,5

240023 74,25 75,73 75,01 76,24 76,45 74,8 73,45 70,74 68,46 67,4 66,43

240024 73,43 74,85 74,14 75,31 75,52 73,97 72,59 69,95 67,69 66,68 65,67

240025 72,52 73,97 73,26 74,46 74,71 73,1 71,73 69,08 66,89 65,85 64,78 Taula 83. Quantitat d’estudiants que han cursat ambdues assignatures.

Com es pot veure hi ha dues franges importants; primer i segon quadrimestre de primer. La

franja del primer quadrimestre (Q1: de 240011 a 240015) té els percentatges més baixos que

Figura 51. Gràfic de la mitjana de convocatòries de la fase inicial el 2013.

Pàg. 104 Memòria

la franja del segon (Q2: de 240021 a 240025). Aquest fet és degut a la distància que separa el

Q1 del segon curs.

També es pot veure que, al avançar cap a la dreta de la taula (cap al Q4: de 240042 a 240141)

que els percentatges disminueixen. Altra vegada és també per la distància que els separa.

En general, aquests dos fets són deguts a les dades de les que es disposa inclouen estudiants

que encara no han tingut la possibilitat de cursar el segon curs, ja que han acabat no han

acabat el primer curs. És a dir, les dades són fins a Quadrimestre de Primavera de 2015-2016

no inclòs.

Per altra banda l’estudi interessant a realitzar és mirar quin percentatge d’estudiants que ha

cursat una assignatura de la fase inicial en un quadrimestre concret, passa a cursar una de

segon en un altre quadrimestre concret.

Per a fer aquest segon estudi d’aquest apartat, cal realitzar la crida a la funció

quantspassenmillorat. S’ompliran taules amb els valors obtinguts. Degut a la dimensió

d’aquest estudi, no es realitzarà per totes les combinacions possibles d’assignatures perquè no

es disposa de prou temps i perquè els percentatges no haurien de variar excessivament.

Electromagnetisme

2012 2013 2014 2015

1 2 1 2 1 2 1 2

Àlgebra Lineal

2011 1 60,09 31,93 25,5 9,76 3,33 1,11 2 0,67

2 20,99 18,52 24,69 13,58 7,41 3,7 7,41 2,47

2012 1 0,68 1,8 38,51 39,64 16,44 5,41 7,88 2,25

2 0 0 3,96 40,59 24,75 9,9 15,84 5,94

2013 1 0 0 0 2,09 41,86 27,67 24,42 11,63

2 0 0 0 0,65 12,34 31,82 37,66 18,83

2014 1 0 0 0 0 0,81 3,25 33,87 33,06

2 0 0 0 0 0 2,44 9,76 39,02 Taula 84. Percentatge d’estudiants que passen a cursar Electromagnetisme havent cursat Àlgebra Lineal en cursos i quadrimestres concrets.

La Taula 84 informa del següent (s’explica per mitjà d’un exemple concret per facilitar-ne la

comprensió) :

El 60.09% d’estudiants que van cursar Àlgebra Lineal el primer quadrimestre de 2011 acaba

cursant Electromagnetisme el primer quadrimestre del 2012, que en principi hauria de ser el

curs natural.

Pàg. 105 Memòria

Es pot observar que, seguint els cursos naturals, els percentatges són més elevats. En principi,

si tothom ho aprovés tot a la primera, aquests tant per cents haurien de ser igual al 100%.

Evidentment i, es pot comprovar, ronden percentatges molt més baixos. També és cert que hi

ha molts estudiants que combinen les assignatures com els hi convé i per això apareix aquest

repartiment.

Els fets curiosos són, per exemple, que hi ha un 0.67% dels estudiants que van cursar Àlgebra

Lineal el primer quadrimestre de 2011 que encara cursaven Electromagnetisme el segon

quadrimestre de 2015.

A continuació es presenta la taula amb els resultats d’Àlgebra en front Equacions

Diferencials. Es pot veure que els percentatges de cada cel·la no difereixen excessivament en

comparació a la Taula 84 per tant, és del tot assumible realitzar l’estudi per Àlgebra.

Com a fet curiós, es pot veure que hi ha un 0.22% d’alumnes que va cursar Àlgebra Lineal el

primer quadrimestre de 2011 i que ha cursat Equacions Diferencials el primer quadrimestre de

2015. El fet curiós és que el mateix grup d’estudiant, o estudiant, va repetir aquesta

assignatura i la seguia fent el segon quadrimestre.

Equacions Diferencials

2012 2013 2014 2015

1 2 1 2 1 2 1 2

Àlgebra Lineal

2011 1 58,98 25,06 19,29 10,86 1,77 0,67 0,22 0,22

2 18,52 22,22 20,99 19,75 4,94 0 1,23 1,23

2012 1 0,23 2,03 42,34 40,09 12,39 5,63 3,83 0,68

2 0 0 6,93 47,52 20,79 13,86 8,91 0

2013 1 0 0 0 1,86 39,53 38,14 24,42 8,14

2 0 0 0 0,65 11,04 37,66 38,31 15,58

2014 1 0 0 0 0 0,2 5,48 41,38 29,01

2 0 0 0 0 0 0 14,63 31,71 Taula 85. Percentatge d’estudiants que passen a cursar Equacions Diferencials havent cursat Àlgebra Lineal en cursos i quadrimestres concrets.

La resta de gràfics que relacionen Àlgebra Lineal amb les assignatures de segon es troben en

l’ANNEX IV. Com ja s’ha comentat al llarg d’aquest segon estudi, degut a la dimensió de

l’estudi no es durà a terme la comparació de les 10 assignatures de la fase inicial.

És interessant també observar què passa amb assignatures del Q4 (segon quadrimestre de

segon):

Pàg. 106 Memòria

Es pot veure que el quadrimestre natural és diferent que en les taules anteriors, però segueix

sent el quadrimestre en el que es matricula més gent. Es pot observar, en aquest cas concret,

que Teoria de Màquines i Mecanismes és una assignatura que es repeteix bastant, ja que si es

fa la suma dels percentatges de la primera fila dóna 120,62%, cosa que indica que hi ha un

excedent de matriculacions.

Si el lector desitja aprofundir en aquest anàlisi té dues opcions:

- Veure les taules de l’ANNEX IV.

- Fer les proves amb la vuitena funcionalitat del lloc web (vegeu 11.2.3.8).

Teoria de Màquines i Mecanismes

2012 2013 2014 2015

1 2 1 2 1 2 1 2

Àlgebra Lineal

2011 1 1,55 46,78 28,16 15,74 13,97 4,88 6,21 3,33

2 0 8,64 16,05 13,58 19,75 6,17 9,88 6,17

2012 1 0 0 1,35 37,39 33,56 13,96 15,77 8,78

2 0 0 0 4,95 32,67 23,76 20,79 15,84

2013 1 0 0 0 0 2,09 29,07 29,53 29,3

2 0 0 0 0 0,65 4,55 24,68 37,66

2014 1 0 0 0 0 0 0 3,04 33,27

2 0 0 0 0 0 0 0 8,54 Taula 86. Percentatge d’estudiants que passen a cursar Teoria de Màquines i Mecanismes havent cursat Àlgebra Lineal en cursos i quadrimestres concrets.

Pàg. 107 Memòria

12.2.6. Donat un perfil de segon, caràcter de primer

En aquest apartat del capítol de resultats és on s’acompleix l’objectiu del treball en qüestió. Es

basa en trobar el caràcter de les qualificacions de la fase inicial donat un perfil de notes de

segon.

L’estudi que es durà a terme en aquest capítol és a primera convocatòria. S’estudiaran totes

les assignatures de la fase inicial, donat un perfil de la fase no inicial i es consideraran 75

veïns propers al perfil d’estudi, que és un nombre prou elevat per tenir dades prou indicadores

i prou petit per reduir temps d’execució.

S’utilitza la funció mira_primer_sencer del fitxer minitab.py. Aquesta funció s’ha dissenyat

de tal manera que el que penalitza més a la distància que separa dos perfils és el nombre de la

convocatòria i, a posteriori el quadrimestre i el curs.

És important veure els 4 quadrants que té cada un dels diferents termes de la matriu

representada. Cada scatterplot, presenta els següents quatre quadrants:

No

tes

Ass

ign

atu

ra Y

Aprova assignatura Y Aprova ambdues

Suspèn ambdues Aprova assignatura X

Notes Assignatura X

Taula 87. Quatre quadrants que marquen les zones d’aprovats i suspesos.

Per a realitzar l’estudi i aprofundir en altres casuístiques que no s’hagin estudiat en l’anàlisi

que segueix a continuació, només cal disposar del fitxer minitab.py. Per a realitzar la crida a

la funció perquè dibuixi el gràfic automàticament, cal cridar-la de la següent forma.

>>> import minitab as m

>>> m.dib_scatmat(m.fit_df(m.mira_primer_sencer([llista],k,assig)))

On llista és el llistat de notes amb quadrimestres i assignatures, per a veure’n el format vegeu

capítol 11.1.6.14, k és el nombre d’estudiants propers i assig és el llistat de codis

d’assignatura que interessa saber-ne el comportament.

Pàg. 108 Memòria

En els casos que segueixen, el lector es trobarà amb una sèrie de gràfics de matrius de

diagrames de punts amb els noms de les assignatures abreujats per tal de facilitar-ne la

lectura. Els valors abreujats són:

Taula 88. Noms d’assignatura abreujats.

L’estudi es fa amb només el curs 2014 de la fase no inicial que és el curs que l’autor va cursar

el segon de grau. No s’amplia a més cursos, tot i que seria interessant, perquè la realització

del treball trencaria amb la planificació i no es podria completar adequadament. Tot i això, es

documenta tot amb detall suficient per a que el lector pugui executar les diverses funcions

adequadament i, pugui observar els seus propis gràfics.

12.2.6.1. Curs 2014 Quadrimestre 1

Es planteja, per començar, l’estudi de l’any 2014 a primer quadrimestre. Seguint la trajectòria

natural d’un estudiant, hauria de cursar-se: Electromagnetisme, Mètodes Numèrics, Materials,

Equacions Diferencials, Informàtica i Mecànica, és a dir, Q3.

Perfil 1: 7.5 de Mecànica a primera convocatòria

Un cop realitzades les diverses crides a les funcions (mira_primer_sencer, fit_df i

dib_scatmat) s’obté el següent gràfic. El gràfic correspon a les notes de la fase selectiva dels

estudiants que s’assemblen al perfil introduït.

AL Àlgebra Lineal G Geometria

C1 Càlcul I C2 Càlcul II

MF Mecànica Fonamental TF Termodinàmica Fonamental

Q1 Química I Q2 Química II

FI Fonaments d’Informàtica EG Expressió Gràfica

Pàg. 109 Memòria

Figura 52. Matriu de scatterplots de la fase inicial amb el perfil 1, 2014 1r Quadrimestre.

Si s’observen els histogrames de la diagonal i es tenen en compte els valors de l’eix de les

abscisses es pot veure amb facilitat que la immensa majoria dels estudiants es situen en la

franja de l’aprovat còmode, ja que les notes es concentren al voltant del 7.5 en la immensa

majoria. Això implica que el fet de treure un 7.5 de Mecànica a primera convocatòria el curs

2014 i quadrimestre de tardor, implica ser un bon estudiant pràcticament.

A excepció d’Àlgebra Lineal, Fonaments d’Informàtica i Expressió Gràfica tots els altres

diagrames de punts bidimensionals comencen la representació a partir del 4.0. És a dir, que es

situen en la banda de l’aprovat, amb poques mostres a la part suspesa.

Fent la observació per quadrants veiem que Càlcul I amb Àlgebra Lineal es situa pràcticament

tot el registre al quadrant d’aprovar ambdues assignatures. Aquest fet es repeteix per a totes

les possibles combinacions. Sí que és cert que, filant prim, Termodinàmica Fonamental i

Fonaments d’Informàtica presenten un comportament diferent a la resta perquè tenen més

volum de suspesos.

Perfil 2: 3.0 de Mecànica a primera convocatòria

Fent una primera observació a la diagonal d’histogrames es veu que hi ha més dispersió de les

dades respecte el perfil anterior. Es pot veure que la majoria d’estudiants que aproven Àlgebra

Lineal també aproven Càlcul I. La gran majoria dels estudiants que compleixen aquests

requisits han aprovat Geometria i Expressió Gràfica.

Com a observació interessant, es pot observar que les notes de Mecànica Fonamental

presenten una dispersió important ocupant tant la banda dels suspesos com la d’aprovats.

Pàg. 110 Memòria

Aquest fet sembla lògic, ja que són estudiants que han tret al voltant d’un 3 a Mecànica a

primera convocatòria però, el que xoca és que hi ha estudiants amb molt bones notes de

Mecànica Fonamental.

Termodinàmica Fonamental té un patró de notes que diferent a la resta, ja que la quantitat de

suspesos és inferior però molt semblant a la quantitat d’aprovats. Aquest comportament també

es donava en el cas anterior, així com també la distribució de les notes de Fonaments

d’Informàtica. Són dues assignatures que, sigui quina sigui l’assignatura amb la que se les

dibuixa en el gràfic, la seva distribució pràcticament no varia.

Perfil 3: 2.5 de Mètodes Numèrics a primera convocatòria

Amb un perfil com aquest, es pot comprovar que la majoria de la gent, en general, es troba al

voltant del 5.0, ja sigui per la banda de l’aprovat com per la banda del suspès. Hi ha més

estudiants suspesos que en els dos anàlisis anteriors, la qual cosa indica que Mètodes

Numèrics no hauria de ser un assignatura tant complicada com Mecànica per exemple.

Observant gràfics curiosos, es pot veure l’histograma de Fonaments d’Informàtica. Hi ha un

enorme volum de gent que obté menys d’un quatre i, aquest volum va creixent a mesura que

s’acosta al zero. Amb això, és fàcil pensar que el fet de tenir el cap prou desenvolupat com

per aprovar Fonaments d’Informàtica a la primera, fa que s’entengui fàcilment Mètodes

Numèrics i que s’aprovi.


Pàg. 111 Memòria

Mirant els gràfics que relacionen dues assignatures, es veu que és un grup d’estudiants on el

50%, aproximadament, tendeix a suspendre alguna assignatura. Les assignatures d’Àlgebra

Lineal i Càlcul I, que tenen certa relació amb Mètodes Numèrics, presenten una quantitat

important de suspesos.


Perfil 4: 8.5 d’Informàtica a primera convocatòria

Parant atenció al gràfic de Fonaments d’Informàtica, es veu, molt clarament que és diferent

als anteriors, ja que en aquest cas la gran majoria, a excepció de 4-5 estudiants, aprova

Fonaments d’Informàtica la primera vegada que la cursa. Si es fa especial atenció a les

assignatures de caire matemàtic, es pot veure que hi ha una tendència a aprovar-les. A Càlcul

II no tant, però a Àlgebra, Càlcul I i Geometria sí que es nota. Per tant, es reafirma que el fet

de ser bon matemàtic es tradueix a ser un bon informàtic o, si més no, a poder aprovar les

assignatures d’aquesta temàtica. També, val la pena fixar-se en el comportament de

Termodinàmica Fonamental. Si bé aquesta assignatura s’ha comportat fins ara com

Fonaments d’Informàtica, ara també presenta un gran volum d’aprovats a primera

convocatòria.

A Expressió Gràfica, tret d’un estudiant, tothom l’aprova. Per tant, vistos els resultats, es

podria dir que un estudiant que va cursar Informàtica per primera vegada el quadrimestre de

tardor del curs del 2014, té un expedient bo a la fase selectiva. Tenir aquest rendiment a

Informàtica implica doncs, pràcticament, aprovar tota la fase inicial.

Pàg. 112 Memòria


Perfil 5: 4 d’Informàtica a primera convocatòria

Fent la comparació amb el resultat anterior, el canvi més brusc és el resultat de Fonaments

d’Informàtica. Es veu com, clarament, el volum d’estudiants que hi havia a la part dreta, entre

el 6.5 i el 10 de Fonaments d’Informàtica, s’ha desplaçat cap a l’esquerra, tenint una

concentració important al voltant del 5 i el 6 i, molts més estudiants a la franja suspesa. Per

tant, hi ha una relació important entre la nota d’Informàtica i la de Fonaments d’Informàtica,

com s’esperava. Succeeix exactament el mateix amb Termodinàmica Fonamental.

Les notes de les Assignatures de caire matemàtic també pateixen un canvi semblant, ja que

tant Càlcul I com Àlgebra com Càlcul II, es desplacen cap a la franja del suspès. En el perfil

anterior només hi havia un estudiant amb Expressió Gràfica suspesa, ara però, aquest nombre

augmenta amb força. Podria haver-hi certa relació amb el desenvolupament mental que

requereixen aquestes assignatures.

Si es resumeix fent la comparació amb el perfil anterior, es pot dir, sense equivocar-se que, el

fet de treure un 8.5 o un 4 d’Informàtica, en les condicions imposades, prové d’unes notes

molt diferents durant la fase selectiva. A més nota d’Informàtica, millor fase selectiva en

termes generals.

Pàg. 113 Memòria


Perfil 6: 7 d’Electromagnetisme i 6.5 d’Equacions Diferencials a primera convocatòria

Fent un canvi de perfil, es mira un perfil d’estudiant prou bo en el que es s’obté, alhora, un 7.0

d’Electromagnetisme i un 6.5 d’Equacions Diferencials. Veient els resultats, s’observa que,

pel que fa a les assignatures de caràcter matemàtic, Àlgebra, Càlcul I, Geometria i Càlcul II,

el volum més gran d’estudiants es concentra en la franja de l’aprovat i, en el cas de Càlcul II i

Càlcul I, en l’aprovat còmode.

Per primera vegada en l’estudi de perfils, Termodinàmica Fonamental és aprovada amb

comoditat però, Fonaments d’Informàtica segueix amb el seu particular comportament. Sí que

és cert que té gran quantitat d’alumnes aprovats, però tot i així, la distribució és bastant

heterogènia.

Aquest perfil presenta gran facilitat per aprovar les dues químiques i, pel que fa a Expressió

Gràfica, la majoria es situa en la zona de qualificacions altes, tot i que segueixen existint

suspesos.

Concloent els resultats de l’estudi d’aquest perfil, és un perfil d’estudiant que aprova

còmodament la fase inicial en termes genèrics, tot i que existeixen una minoria de casos

suspesos que no es pot menysprear. Queda demostrada també la facilitat per les assignatures

de caire matemàtic i físic de la fase selectiva.

Pàg. 114 Memòria


Perfil 7: 3 d’Electromagnetisme i 9 d’Equacions Diferencials a primera convocatòria

Si s’inverteix el Perfil 6 i s’estudia el cas de treure un excel·lent d’Equacions Diferencials i

suspendre Electromagnetisme, un cas bastant rar, ja que és extremista, s’observa el següent.

Hi ha una clara facilitat alhora d’aprovar Química I i Química II. També presenta facilitat el

fet d’aprovar Expressió Gràfica i Fonament d’Informàtica, tot i que, com fins ara, Fonaments

d’Informàtica presenta el seu propi caràcter i no permet establir un comportament concret

front altres assignatures.

Filant més prim, es pot veure que qui aprova Àlgebra Lineal, aprova pràcticament totes les

altres de caràcter matemàtic presentant problemes en Càlcul II. Un dels gràfics més clars és el

TF-Q1 que permet concloure que pràcticament tothom que aprova Termodinàmica

Fonamental ha aprovat Química I.

Pàg. 115 Memòria


Perfil 8: Estudiant de caràcter Físic (primera convocatòria)

El perfil ve definit per les següents qualificacions: 8.0 d’Electromagnetisme, 5.2 d’Equacions

Diferencials, 4.0 d’Informàtica, 5.0 de Materials, 8.1 de Mecànica i 6.5 de Mètodes Numèrics.

Veient els histogrames de la diagonal és fàcil pensar que es tracta d’un perfil d’estudiant bo

tot i suspendre Informàtica a segon, ja que pràcticament totes les assignatures tenen més d’un

80% d’estudiants aprovats. És curiós veure que tot i haver suspès Informàtica amb un 4.0 a la

fase no inicial, hi hagi pocs estudiants d’aquest perfil que suspenguin Fonaments

d’Informàtica a la fase selectiva.

Es pot veure que es tracta d’un perfil més físic que matemàtic perquè les notes de Mecànica

Fonamental i de Termodinàmica Fonamental són més bones en global que les d’Àlgebra

Lineal i Càlcul I.

Fent l’anàlisi per diagrames, es pot observar que qui suspèn Geometria no suspèn Mecànica

Fonamental, que qui suspèn Càlcul II no suspèn Expressió Gràfica, que qui suspèn Càlcul II

no suspèn Química II, etc.

És important destacar que, ja que Fonaments d’Informàtica té un patró diferent a la resta, és a

dir, no s’adapta a cap model, en aquest cas, els estudiants que suspenen Càlcul II no suspenen

Fonaments d’Informàtica.

Pàg. 116 Memòria


Perfil 9: Estudiant de caràcter Matemàtic (primera convocatòria)


Diferencials, 7.2 d’Informàtica, 5.0 de Materials, 5.0 de Mecànica i 9.2 de Mètodes Numèrics.

Fent l’anàlisi dels histogrames de la diagonal es pot veure amb facilitat que al tractar-se d’un

perfil matemàtic, complet i amb bones qualificacions, durant la fase selectiva és molt probable

que ho aprovés tot a primera convocatòria. Per aquesta raó és veuen tant marcats els

quadrants, ja que hi ha alguna mostra de nota molt baixa que marca aquest contrast.

Realitzant l’estudi de relacions entre dues assignatures diferents es pot arribar a veure que si

un estudiant suspèn Expressió Gràfica, només haurà suspès o Càlcul I o Càlcul II o ambdues.

Al tractar-se d’un perfil matemàtic, es centra l’anàlisi en les assignatures matemàtiques pures:

Si un estudiant suspèn Àlgebra Lineal, no suspèn ni Química II, ni Geometria ni Química I i,

és poc probable que en suspengui alguna altra. En canvi, si un estudiant aprova Àlgebra

Lineal, és poc probable que suspengui Expressió Gràfica, Química II, Termodinàmica

Fonamental, Càlcul II o Fonaments d’Informàtica. El que és rar és que si un alumne aprova

Àlgebra és més probable que suspengui Càlcul I que no pas Mecànica Fonamental.

És una mostra d’estudiants on aprovar Mecànica Fonamental implica pràcticament aprovar

totes les assignatures del Q2, Química I i Fonaments d’Informàtica.

Pàg. 117 Memòria

Qui aprova Fonaments d’Informàtica, té pràcticament assegurat l’aprovat en totes les

assignatures del Q2, cosa que no es veu tan clara amb qui aprova Química I.


Pàg. 118 Memòria

Perfil 10: Estudiant amb dificultats per la física

El perfil ve definit per les següents qualificacions: 5.0 d’Electromagnetisme a tercera

convocatòria, 5.6 d’Equacions Diferencials a primera convocatòria, 5.1 d’Informàtica a

segona convocatòria, 5.1 de Materials a primera convocatòria, 5.1 de Mecànica a quarta

convocatòria i 6.9 de Mètodes Numèrics a primera convocatòria.

Fent la primera presa de contacte amb l’anàlisi de la diagonal s’observa que les qualificacions

estan bastant repartides i totes presenten un màxim d’estudiants al 5.0. Crida l’atenció

l’histograma de Fonaments d’Informàtica que demostra, altra vegada, el seu especial

comportament. Presenta un màxim també al voltant del 5.0, però amb molts alumnes per sota

d’aquest aprovat.

Si es fa la comparació amb altres gràfics, es veu un desplaçament dels punts cap a l’esquerra,

indicant així un increment de suspesos i una disminució de notes dels aprovats. Expressió

Gràfica tampoc permet establir cap relació amb cap altra assignatura.

Degut a la dispersió de les dades és complicat arribar a conclusions certes. Tot i aquest fet,

s’intenta extreure’n conclusions: els estudiants que suspenen Mecànica Fonamental és poc

probable que també suspenguin Geometria al Q2. Els estudiants que aproven Fonaments

d’Informàtica no tendeixen a suspendre Geometria i, els estudiants que suspenen Càlcul II, no

solen suspendre Geometria.


Pàg. 119 Memòria

Perfil 11: Estudiant amb dificultats per la matemàtica

El perfil ve definit per les següents qualificacions: 5.5 d’Electromagnetisme a primera


primera convocatòria, 5.1 de Materials a primera convocatòria, 5.8 de Mecànica a primera

convocatòria i 4.3 de Mètodes Numèrics a primera convocatòria.

Es pot observar un empitjorament de les notes en el Quadrimestre 2 respecte el Quadrimestre

1. Les notes del Quadrimestre 1 són més elevades per regla general i Fonaments d’Informàtica

és aprovada per la gran majoria, havent-hi poca gent que la suspèn. A Càlcul II la gran

majoria es troba sobre el 5.0 i Química II és aprovada per quasi el 100% de la mostra

seleccionada.

Al fer l’anàlisi selectiu, veiem que la gent que aprova Fonaments d’Informàtica assegura

pràcticament l’aprovat de Química II. La gent que suspèn Química II és poc probable que

suspengui Càlcul II. Segurament, aquest fet és degut al dedicar moltes hores a aprovar Càlcul

II, alguns estudiants no centrin tanta atenció a Química II i, per tant, l’acabin suspenen.

També crida l’atenció que el fet d’aprovar Expressió Gràfica impliqui, pràcticament, haver

aprovat Química I i aprovar Química II.


Pàg. 120 Memòria

12.2.6.2. Curs 2014 Quadrimestre 2

Perfil 1: 9.0 d’Economia i Empresa i 2.5 de Teoria de Màquines i Mecanismes

Si es pren aquest perfil, un perfil més funcional que tècnic, es pot veure, tot mirant els

histogrames, que Fonaments d’Informàtica segueix presentant el seu particular caràcter. Té

una distribució de les notes molt més repartida, ja que la resta, acumulen un gruix important

d’estudiants al 5.0.

Si es mira cada gràfic s’arriba a les següents observacions:

- Àlgebra Lineal:

o Si un estudiant la suspèn, és poc probable que també suspengui Expressió

Gràfica o Química II o Termodinàmica Fonamental.

o Si un estudiant l’aprova, és probable que també aprovi la resta d’assignatures

del primer quadrimestre (Fonaments d’Informàtica presenta casos de tot tipus

però) i Expressió Gràfica i Geometria.

- Càlcul I:

o Si un estudiant l’aprova, és molt probable que també aprovi les dues

Químiques i Expressió Gràfica.

o Si un estudiant la suspèn, és poc probable que suspengui Expressió Gràfica,

Química II, Fonaments d’Informàtica, Química I o Àlgebra Lineal.

- Mecànica Fonamental:

o Si s’aprova és pràcticament segur aprovar Expressió Gràfica i Química II.

o Si es suspèn és molt difícil suspendre o Càlcul I o alguna de les Químiques o

Expressió Gràfica o Càlcul II.

Per no fer l’anàlisi molt extens i feixuc, es redueix als casos més evidents.

Les notes de Termodinàmica Fonamental no pugen més enllà del 7.5 i, hi ha evidències que és

rar que algú suspengui dues assignatures. Com que les dades estan “tapades”, és a dir, dins del

gràfic no es pot distingir quin punt és cada estudiant, no es pot dir amb seguretat què succeeix

al 100% però, al haver-hi tants pocs punts en la franja d’ambdues suspeses es pot considerar

que és complicat trobar-se el cas. Això mateix succeeix tant en els anàlisis anteriors com en

els que venen a continuació.

Pàg. 121 Memòria

Figura 63. Matriu de scatterplots de la fase inicial amb el perfil 1, 2014 2n Quadrimestre.

Perfil 1: Estudiant de caràcter Físic

El perfil ve definit per les següents qualificacions: 9.0 Dinàmica de Sistemes, 6.5 d’Economia

i Empresa, 6.0 d’Estadística, 9.0 de Projecte I i un 8.5 de Teoria de Màquines i Mecanismes.

Es pot veure de forma ràpida que ni Expressió Gràfica ni Fonaments d’Informàtica

s’assemblen a la resta. Segueixen sent les assignatures que no depèn de les notes d’altres

assignatures pràcticament.

Tant Càlcul II com Termodinàmica Fonamental, tenen notes bastant baixes, no arriben al 7.5.

Encara que s’hagi definit un perfil físic en base Teoria de Màquines i Dinàmica de Sistemes,

pot ser que no tinguin excessiva relació amb Termodinàmica Fonamental, encara que siguin

física també. Al tractar-se d’un perfil físic, es pot veure que pot ser que la definició de perfil

físic al Q4 no sigui la millor, ja que a Mecànica Fonamental hi ha força gent que suspèn i qui

l’aprova, té entre un 30 i 40% de probabilitat de suspendre’n alguna altra.

Resulta complex trobar algun patró tant clar com el de Química I en aquest apartat. Si es

suspèn Química I, és molt poc probable suspendre’n alguna altra.

Pàg. 122 Memòria

Perfil 3: Estudiant de caràcter pràctic

El perfil ve definit per les següents qualificacions: 5.8 Dinàmica de Sistemes, 9 d’Economia i

Empresa, 8.5 d’Estadística, 9.0 de Projecte I i un 5.0 de Teoria de Màquines i Mecanismes.

Es pot veure a simple vista que Fonaments d’Informàtica té pràcticament tots els registres

aprovats, cosa que és estranya si es miren els estudis previs. Química II pateix un

comportament semblant. Termodinàmica Fonamental acumula un gran volum d’estudiants al

5.0. Aquest fet pot indicar que aquell curs l’assignatura va ser més complicada i els estudiants

van patir més per aprovar i, també, que el professorat va haver de corregir els exàmens sent

més considerats degut al baix rendiment dels alumnes.

Geometria presenta un histograma esglaonat decreixent a partir de l’aprovat. En principi

hauria de ser el fenomen que es repetís més, però fins aquest punt no se n’havia trobat un de

tant clar.

Es pot veure també un fet bastant comú que és que qui suspèn alguna de les químiques, és

difícil que en suspengui alguna altra. També, i filant més prim, qui aprova Càlcul I aprova

pràcticament segur Expressió Gràfica i també Química II, Termodinàmica Fonamental i

Fonaments d’Informàtica. Aquesta afirmació no implica aprovar-les totes, sinó que ve a dir

que, el fet d’aprovar Càlcul I, fa que sigui més difícil suspendre alguna de les anteriors.

Per últim, Càlcul II presenta una dispersió diferent al seu historial i, qui aprova Càlcul II,

pràcticament aprova Expressió Gràfica.


Pàg. 123 Memòria


12.2.6.3. Curs 2014 Ambdós Quadrimestres

Aquest estudi representa un temps de càlcul molt més elevat que els anteriors, ja que es dóna

com a entrada tot l’expedient acadèmic de segon curs d’un perfil.

Perfil 1: Estudiant de caràcter Matemàtic


Diferencials, 7.2 d’Informàtica, 5.0 de Materials, 5.0 de Mecànica, 9.2 de Mètodes Numèrics,

5.2 de Dinàmica de Sistemes, 6.0 d’Economia i Empresa, 6.0 d’Estadística, 9.0 de Projecte I i

5.0 de Teoria de Màquines i Mecanismes.

Tractant-se d’un perfil matemàtic, és d’esperar que el rendiment durant la fase selectiva en les

assignatures de caràcter matemàtic sigui bo, i així és. Predomina l’aprovat i, a més a més, amb

forces bones notes d’aquestes assignatures; Àlgebra Lineal, Càlcul I i II i Geometria.

Figura 66. Matriu de scatterplots de la fase inicial amb el perfil 1, 2014 ambdós quadrimestres.

Pàg. 124 Memòria

Es veu un efecte curiós, tampoc observat anteriorment, que és el salt del 4 al 5 de Càlcul II. És

probable que es tracti del mateix que passava anteriorment amb Termodinàmica Fonamental.

El mateix passa per l’assignatura d’Expressió Gràfica. S’observa que Química II si es suspèn,

és poc probable suspendre’n alguna altra.

Perfil 2: Estudiant amb dificultats per la física

El perfil ve definit per les següents qualificacions: 5.0 d’Electromagnetisme a tercera


segona convocatòria, 5.1 de Materials a primera convocatòria, 5.1 de Mecànica a quarta

convocatòria, 6.9 de Mètodes Numèrics a primera convocatòria, 4.8 de Dinàmica de Sistemes

a primera convocatòria, 6.0 d’Economia i Empresa a primera convocatòria, 6.0 d’Estadística a

primera convocatòria, 9.0 de Projecte I a primera convocatòria i 3.2 de Teoria de Màquines i

Mecanismes a primera convocatòria.

Es pot veure que tot i que la majoria aprovi les assignatures, hi ha una important part que

suspèn, per tant les notes estan bastant repartides entre l’aprovat i el suspès. Tractant-se d’un

perfil amb dificultats per la física, es comprova que Mecànica Fonamental es suspèn

aproximadament pel 50% i les notes de Termodinàmica Fonamental són inferiors al 7.

La majoria d’alumnes que aproven Expressió Gràfica aproven també Química I i els alumnes

que suspenen Química II no suspenen Termodinàmica Fonamental. Amb Química I i

Geometria passa exactament el mateix.

Així doncs, es confirma que un expedient amb dificultat per la física a segon curs té dificultat

per aprovar les assignatures amb caràcter físic durant la fase inicial. Fonaments d’Informàtica

demostra, altra vegada, presentar aquest caràcter que la fa diferent a la resta. Hi ha un gran

nombre de suspesos i, estudiants que aproven amb facilitat altres assignatures, la suspenen i

viceversa.

Pàg. 125 Memòria

Perfil 3: Estudiant amb dificultats per la matemàtica

El perfil ve definit per les següents qualificacions: 5.4 d’Electromagnetisme a primera

convocatòria, 5.6 d’Equacions Diferencials a segon convocatòria, 6.1 d’Informàtica a primera

convocatòria, 5.4 de Materials a primera convocatòria, 5.5 de Mecànica a segona

convocatòria, 5.0 de Mètodes Numèrics a primera convocatòria, 4.8 de Dinàmica de Sistemes

a primera convocatòria, 6.0 d’Economia i Empresa a primera convocatòria, 5.1 d’Estadística a

primera convocatòria, 9.0 de Projecte I a primera convocatòria i 4.9 de Teoria de Màquines i

Mecanismes a primera convocatòria.

En aquest darrer cas es pot seguir observant el comportament de Fonaments d’Informàtica.

Tot i que presenta un gran volum d’aprovats, segueix tenint un histograma bastant diferenciat

de la resta. Càlcul II i Termodinàmica Fonamental presenten un gran gruix d’alumnes al 5.0 i,

Àlgebra Lineal té més aprovats del que s’espera havent introduït un perfil, en principi, amb

dificultats per la matemàtica. Química I i II segueixen presentant molts aprovats, però en

ambdues assignatures es pot veure un comportament diferent si es comparen amb les altres. Si

es para atenció al quadrant ‘Aproven Química i suspenen l’altre’ es pot veure que de la gent

que aprovava Química, qualsevol de les dues, era bastant probable que en suspengués alguna

altra. Aquest comportament sobre tot es veu amb les assignatures del primer quadrimestre

(Q1). Es pot veure també que qui suspèn Química II és pràcticament impossible que

suspengui Termodinàmica Fonamental o Expressió Gràfica.


Pàg. 126 Memòria

Qui suspèn Geometria tampoc suspenia ni Mecànica Fonamental ni quasi cap assignatura més

del segon quadrimestre, excepte Expressió Gràfica que té més suspesos que la resta del Q2.

Si es fa la relació amb Mecànica Fonamental; es pot observar que qui aprova Càlcul I no

tendeix a suspendre Mecànica Fonamental, per tant, en aquest cas van molt lligades.

Qui aprova Expressió Gràfica no té gens assegurat l’aprovat en Mecànica Fonamental, ja que

hi ha un gran percentatge d’aquests alumnes que suspenen Mecànica Fonamental.


12.3. Validació La validació dels resultats s’ha fet seguint els valors obtinguts a partir del codi d’expedient de

l’autor del treball. No se’n mostra una descripció detallada de l’expedient acadèmic per un

tema confidencial però, sí que se’n dóna el codi d’expedient: 278080.

Com que un sol codi és poc per realitzar proves, s’ha demanat a un parell de companys que,

amb el seu consentiment han permès fer les comprovacions de les diverses funcions. De

forma lògica, aquesta codis no es donen en aquest escrit.

Les proves que s’han realitzat han estat exitoses. És cert que els percentatges, les mitjanes de

convocatòries i totes les funcions de caire global no s’han pogut provar de forma segura.

S’han analitzat tots els resultats obtingut per veure si tenien coherència amb el que realment

Pàg. 127 Memòria

succeeix a l’escola. Per exemple, que el percentatge d’aprovats de Mecànica, fos molt més

baix que el de Projecte I però no gaire més baix que el de Teoria de Màquines i Mecanismes.

De forma evident, en molts dels casos s’ha hagut de corregir codi i, alguns cops s’ha hagut

d’introduir sentències print per tal de veure què succeïa en cada execució pas per pas. (fer el

debugging que es comentava a l’inici d’aquesta memòria.

13. COSTOS I PLANIFICACIÓ

13.1. Costos

Els costos de realització d’aquest treball són baixos ja que l’únic cost a tenir en compte és el

de l’ordinador i el de l’electricitat que aquest consumeix. A continuació es detalla el càlcul del

cost d’aquest treball de manera aproximada.

L’ordinador portàtil utilitzat és:

Marca Asus

Model A53S

Processador Intel Core i7

Memòria RAM 4 GB

Memòria 500 GB

Targeta Gràfica NVIDIA Geforce GT 540M de 2 GB

Sistema operatiu base WIN 10

Taula 89. Fitxa tècnica de l’ordinador portàtil.

Es tracta d’un model d’ordinador portàtil que l’empresa Asus va treure al mercat amb sèrie

limitada l’any 2011. Sent dels pocs ordinadors portàtils amb un processador i7, quan es va

llançar al mercat va sortir amb un preu bastant assequible vistes les característiques que té,

650 €.

Al tractar-se d’una sèrie curta del producte,

avui dia no es comercialitza i, per tant, no hi ha

cap preu de referència per poder veure la

depreciació del portàtil.

Una de les poques referències que es poden

trobar a Internet [19] és la que es mostra en la

Figura 69. També apareix en altres llocs web

com MilAnuncios.com i el preu, en mitjana,

Figura 69. Anunci de venta del Asus A53S d’Ebay.

Pàg. 128 Memòria

ronda els 400 €. Així doncs, es considera que el valor actual del producte, a l’any 2017, és de

400 €.

A la taula que es mostra a continuació es detalla el càlcul de l’amortització i la depreciació del

portàtil.

Valor de mercat (2011) 650,00 € Temps transcorregut (anys) 6

Valor de mercat (2017) 400,00 € Valor perdut per any 41,67 €

Depreciació per any respecte l'anterior(%) Any Valor en l'any en qüestió

6,41% 2011 650,00 €

6,85% 2012 608,33 €

7,35% 2013 566,67 €

7,94% 2014 525,00 €

8,62% 2015 483,33 €

9,43% 2016 441,67 €

10,42% 2017 400,00 € Taula 90. Detall del càlcul de la depreciació de l’ordinador portàtil.

Suposant que el temps de durada del treball és de 4 mesos, es pot determinar el cost de

l’ordinador en aquest temps segons la Taula 90 anterior. Fent els càlculs detallats en la

següent equació (Eq. 3) s’arriba al cost indicat.

𝐶𝑜𝑠𝑡𝑃𝑜𝑟𝑡à𝑡𝑖𝑙 = 𝑉𝑎𝑙𝑜𝑟 𝑃𝑜𝑟𝑡à𝑡𝑖𝑙𝐹𝑖 𝐺𝑒𝑛𝑒𝑟 2017 − 𝑉𝑎𝑙𝑜𝑟 𝑃𝑜𝑟𝑡à𝑡𝑖𝑙𝐹𝑖 𝑀𝑎𝑖𝑔 2017 =

=𝐷𝑒𝑝𝑟𝑒𝑐𝑖𝑎𝑐𝑖ó 𝑎𝑛𝑢𝑎𝑙 (€)

12 𝑚𝑒𝑠𝑜𝑠× 4 𝑚𝑒𝑠𝑜𝑠 =

41,67 €

12× 4 = 13,89 € (𝐸𝑞. 3)

A aquest valor toca sumar-li el cost energètic degut a les càrregues de bateria. Cal dir que

l’ordinador portàtil té certa edat i la bateria, tot i ser nova, requereix estar connectada a xarxa

elèctrica de forma constant durant el seu ús. Per aquesta raó el càlcul es simplifica, però el

cost s’incrementa. Es suposa un consum de 100W aproximadament. Si bé el treball, per

quantitat de crèdits, ha d’ocupar 300 hores de treball, se n’han realitzat entre 370 i 400.

El cost fix del kWh segons el lloc web d’Endesa [20] , a mitjans de 2017, és de

0,141133 €/kWh.

𝐶𝑜𝑠𝑡𝑒𝑙è𝑐𝑡𝑟𝑖𝑐 =𝑊𝑎𝑡𝑡𝑠 × 𝐻𝑜𝑟𝑒𝑠 𝑑′ú𝑠

1000× 𝐶𝑜𝑠𝑡 𝑑𝑒𝑙 𝑘𝑊ℎ (€) =

=100 𝑊 × 385 ℎ

1000× 0,141133

€

𝑘𝑊ℎ= 5,4336 € (𝐸𝑞. 4)

Pàg. 129 Memòria

Es pot determinar ara el cost total degut a la maquinària emprada com la suma del dos costos

obtinguts en els desenvolupaments anteriors:

𝐶𝑜𝑠𝑡𝑚𝑎𝑞𝑢𝑖𝑛à𝑟𝑖𝑎 = 𝐶𝑜𝑠𝑡𝑒𝑙è𝑐𝑡𝑟𝑖𝑐 + 𝐶𝑜𝑠𝑡𝑃𝑜𝑟𝑡à𝑡𝑖𝑙 = 19,3236 € (𝐸𝑞. 5)

Si el cost de les hores es vol incloure en aquest resultat obtingut, s’hauria de realitzar el

següent càlcul tot diferenciant les hores d’enginyer i les de redacció de la memòria:

- Cost de la programació com a enginyer: 35€/hora:

𝐶𝑜𝑠𝑡ℎ𝑜𝑟𝑒𝑠 𝑐𝑜𝑑𝑖 = 𝑃𝑟𝑒𝑢 𝑥 𝑁𝑜𝑚𝑏𝑟𝑒 𝑑′ℎ𝑜𝑟𝑒𝑠 = 35€

ℎ𝑜𝑟𝑎 𝑥 300 ℎ𝑜𝑟𝑒𝑠 = 10.050 € (𝐸𝑞. 6)

- Cost de la redacció i elaboració de la documentació: 20 €/hora:

𝐶𝑜𝑠𝑡ℎ𝑜𝑟𝑒𝑠 = 𝑃𝑟𝑒𝑢 𝑥 𝑁𝑜𝑚𝑏𝑟𝑒 𝑑′ℎ𝑜𝑟𝑒𝑠 = 20€

ℎ𝑜𝑟𝑎 𝑥 85 ℎ𝑜𝑟𝑒𝑠 = 1.700 € (𝐸𝑞. 7)

Així doncs, el total del treball s’elevaria fins els 11.769,22€.

A continuació d’adjunta la taula del resum del cost d’elaboració de tot el treball:

Resum de costos

Cost de la maquinària 19,32 €

Cost de mà d’obra d’enginyer 10.050 €

Cost de mà d’obra elaboració treball 1.700 €

Total 11.769,22 €

Taula 91. Resum dels costos del treball.

Pàg. 130 Memòria

13.2. Planificació

Es presenta la planificació la qual s’ha intentat seguir al màxim per tal de dur a terme el

Treball Final de Grau. Si bé és cert que no sempre s’han pogut acomplir els tempos establerts,

ja s’ha tingut en compte, des de l’inici, que podia ocórrer i, per tant, no ha afectat a la

resolució del treball. S’adjunta un diagrama de Gantt amb les diverses etapes que conformen

el treball i els respectius temps (en dies) programats d’execució.

Figura 70. Planificació en quantitat de dies previstos necessaris per finalitzar cada tasca.

0 20 40 60 80 100 120

Estudi dades

Dissenyar filtres de dades

Filtrar els fitxers i corregir errors

Crear funcions

Estudi estadístic

Correcció d'errors de funcions

Redacció de la memòria

Preparació presentació avaluació parcial

Creació i disseny del lloc web

Preparació presentació avaluació final

Pàg. 131 Memòria

13.3. Impacte ambiental Per a la realització d’aquest treball han estat necessàries aproximadament 385 hores. Durant

aquest temps s’ha fet ús d’ordinador amb el consum energètic que aquest implica.

Com mostra l’Institut Català d’Energia [21] el consum domèstic d’electricitat es pot calcular

amb la següent equació:

𝑘𝑊ℎ𝑐𝑜𝑛𝑠𝑢𝑚𝑖𝑡𝑠 𝑝𝑒𝑟 𝑝𝑒𝑟𝑠𝑜𝑛𝑎 · 0,84 𝑘𝑔𝐶𝑂2

𝑘𝑊ℎ= 𝑘𝑔𝑑𝑒 𝐶𝑂2 (𝐸𝑞. 7)

D’aquesta manera es pot calcular la quantitat de CO2 emesa a l’atmosfera.

100 𝑊 × 385 ℎ

1000· 0,84 𝑘𝑔

𝐶𝑂2

𝑘𝑊ℎ= 32,34 𝑘𝑔𝑑𝑒 𝐶𝑂2

CONCLUSIONS Pel que fa a conclusions tècniques es té el següent: De l’estudi realitzat al capítol 12.2.6,

sobretot s’ha parat atenció al curs 2014, que és el curs en el que vaig cursar jo el segon de

grau. Aquesta curiositat és la que m’ha fet centrar en aquest curs i no en un altre per a

començar. Val a dir, que s’ha indicat degudament en el mateix capítol com realitzar la crida a

la funció per tal de poder oferir al lector la possibilitat de generar els gràfics en cas de

necessitar-ho.

D’aquest mateix estudi s’ha observat que l’assignatura de Fonaments d’Informàtica és la que

presenta una distribució més heterogènia. No s’adapta a cap fonament, ja que un estudiant pot

ser molt bo i haver-la suspès i viceversa. Això és degut a com de diferent és aquesta

assignatura de la resta.

També s’ha observat que Termodinàmica Fonamental no segueix cap comportament concret,

ja que tots els resultats presenten gran variabilitat i no depenen de les notes d’altres

assignatures.

Ha resultat fàcil comprovar que Mecànica és l’assignatura més dura pels alumnes, ja que és la

que més es repeteix i la que més convocatòries acumula. A més a més, amb l’estudi realitzat

s’ha comprovat que el fet d’aprovar Mecànica a la primera convocatòria, pràcticament implica

haver aprovat tota la fase inicial a la primera també.

Pàg. 132 Memòria

Pel que fa a conclusions de caire personal s’ha comprovat que, combinant el treball amb les

pràctiques esdevé molt important la gestió del temps. Ha estat una època en la qual les hores

han obtingut un preu molt elevat i s’ha treballat a màxim rendiment per tal d’arribar a un

objectiu.

El Treball des d’un inici ja era ambiciós però, a mesura que avançaven els dies es convertia en

més ambiciós, fent-se quasi inacabable, ja que cada funció que es dissenyava implicava una

reestructuració del lloc web i un nou anàlisi. La solució a aquest problema ha estat plantar-se

en un punt on s’ha considerat que el Treball té molta consistència i un resultat que acompleix i

amplia els objectius inicials permeten a futurs alumnes poder aprofitar tota la documentació

facilitada.

Per acabar, amb un total de 1.668 línies de codi en Python per a tractament de dades i anàlisi,

més tot el desenvolupament web en Python, Flask, JavaScript, HTML i CSS, es dóna per

completat un Treball que avarca tant com ha estat possible de la forma més planera possible

alhora que tècnica.

AGRAÏMENTS Agraïments a tothom qui m’ha envoltat per entendre que no hagi pogut dedicar massa temps a

les relacions socials per a poder-ho combinar tot.

Agrair en especial al meu tutor, Lluís Solano, per tota l’ajuda donada amb el tema de

connexió entre web i servidor, per la guia durant tot el treball i pel nivell d’exigència.

Agrair, també al lector per dedicar aquesta llarga estona en llegir la memòria, realitzar proves

i jugar amb el lloc web.

Pàg. 133 Memòria

BIBLIOGRAFIA

Referències bibliogràfiques [1] SAHAMI, MEHRAN. Debugging. Stanford: Stanford University, 2017. P. 1-2

[2] https://stackoverflow.com/

[3] https://www.python.org/about/

[4] http://blog.teamtreehouse.com/what-is-python

[5] https://developer.mozilla.org/en-US/docs/Web/JavaScript/About_JavaScript

[6] https://es.wikipedia.org/wiki/HTML5

[7] https://developer.mozilla.org/en-US/docs/Web/CSS

[8] http://pandas.pydata.org/

[9] http://www.numpy.org/

[10] https://matplotlib.org/

[11] http://flask.pocoo.org/

[12] https://blog.miguelgrinberg.com/post/the-flask-mega-tutorial-part-i-hello-world

[13] https://ajax.googleapis.com/ajax/libs/jquery/3.2.1/jquery.min.js

[14] https://code.highcharts.com/highcharts.js"

[15] http://code.highcharts.com/modules/exporting.js

[16] https://www.w3schools.com/w3css/4/w3.css

[17] https://fonts.googleapis.com/css?family=Lato

[18] https://cdnjs.cloudflare.com/ajax/libs/font-awesome/4.7.0/css/font-

awesome.min.css

[19] http://www.ebay.es/itm/like/122442041196

[20] https://www.endesaclientes.com/llars/tassessorem/tinteressa/ultimes-tarifes-

regulades-llum-gas.html

[21] http://www.gencat.cat/icaen/recorregutenergia/experiencies/Experiencia-

2_vr.3.3.pdf

[22] MCKINSEY GLOBAL INSTITUTE. Big Data: The next frontier for

innovation, competition and productivity. 2011

https://stackoverflow.com/

https://www.python.org/about/

http://blog.teamtreehouse.com/what-is-python

https://developer.mozilla.org/en-US/docs/Web/JavaScript/About_JavaScript

https://es.wikipedia.org/wiki/HTML5

https://developer.mozilla.org/en-US/docs/Web/CSS

http://pandas.pydata.org/

http://www.numpy.org/

https://matplotlib.org/

https://blog.miguelgrinberg.com/post/the-flask-mega-tutorial-part-i-hello-world

https://fonts.googleapis.com/css?family=Lato

https://cdnjs.cloudflare.com/ajax/libs/font-awesome/4.7.0/css/font-awesome.min.css

https://cdnjs.cloudflare.com/ajax/libs/font-awesome/4.7.0/css/font-awesome.min.css

http://www.ebay.es/itm/like/122442041196

https://www.endesaclientes.com/llars/tassessorem/tinteressa/ultimes-tarifes-regulades-llum-gas.html

https://www.endesaclientes.com/llars/tassessorem/tinteressa/ultimes-tarifes-regulades-llum-gas.html

http://www.gencat.cat/icaen/recorregutenergia/experiencies/Experiencia-2_vr.3.3.pdf

http://www.gencat.cat/icaen/recorregutenergia/experiencies/Experiencia-2_vr.3.3.pdf

Pàg. 134 Memòria

Bibliografia complementària

http://www.physics.csbsju.edu/stats/box2.html

http://www.statstutor.ac.uk/resources/uploaded/pearsons.pdf

https://ca.wikipedia.org/wiki/Par%C3%A0metre_estad%C3%ADstic

http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Temas/Capitulo9/B0C9m1t18.htm

http://michaelbluejay.com/electricity/computers.html

https://es.scribd.com/document/23500383/Impacto-Medioambiental-en-la-generacion-de-1-kWh-

por-distintas-tecnologias

http://www.physics.csbsju.edu/stats/box2.html

http://www.statstutor.ac.uk/resources/uploaded/pearsons.pdf

https://ca.wikipedia.org/wiki/Par%C3%A0metre_estad%C3%ADstic

http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Temas/Capitulo9/B0C9m1t18.htm

http://michaelbluejay.com/electricity/computers.html

https://es.scribd.com/document/23500383/Impacto-Medioambiental-en-la-generacion-de-1-kWh-por-distintas-tecnologias

https://es.scribd.com/document/23500383/Impacto-Medioambiental-en-la-generacion-de-1-kWh-por-distintas-tecnologias

Pàg. 135 Memòria

ANNEXOS

Pàg. 136 Memòria

I. ANNEX I. GRÀFICS DEL PERCENTATGE D’APROVATS A PRIMERA

CONVOCATÒRIA.

Percentatge d’aprovats a primera convocatòria d’Àlgebra Lineal

Percentatge d’aprovats a primera convocatòria de Càlcul I

Figura 71. Percentatge d’aprovats a primera convocatòria d’ Àlgebra Lineal.

Figura 72. Percentatge d’aprovats a primera convocatòria de Càlcul I.

Pàg. 137 Memòria

Percentatge d’aprovats a primera convocatòria de Fonaments d’Informàtica

Percentatge d’aprovats a primera convocatòria de Mecànica Fonamental

Figura 73. Percentatge d’aprovats a primera convocatòria de Fonaments d’Informàtica.

Figura 74. Percentatge d’aprovats a primera convocatòria de Mecànica Fonamental.

Pàg. 138 Memòria

Percentatge d’aprovats a primera convocatòria de Química I

Percentatge d’aprovats a primera convocatòria de Càlcul II

Figura 75. Percentatge d’aprovats a primera convocatòria de Química I.

Pàg. 139 Memòria

Percentatge d’aprovats a primera convocatòria d’Expressió Gràfica

Percentatge d’aprovats a primera convocatòria de Geometria

Figura 76. Percentatge d’aprovats a primera convocatòria d’Expressió Gràfica.

Figura 77. Percentatge d’aprovats a primera convocatòria de Geometria.

Pàg. 140 Memòria

Percentatge d’aprovats a primera convocatòria de Química II

Percentatge d’aprovats a primera convocatòria de Termodinàmica Fonamental

Figura 78. Percentatge d’aprovats a primera convocatòria de Química II.

Figura 79. Percentatge d’aprovats a primera convocatòria de Termodinàmica Fonamental.

Pàg. 141 Memòria

Percentatge d’aprovats a primera convocatòria d’Electromagnetisme

Percentatge d’aprovats a primera convocatòria d’Equacions Diferencials

Figura 80. Percentatge d’aprovats a primera convocatòria d’Electromagnetisme.

Figura 81. Percentatge d’aprovats a primera convocatòria d’Equacions Diferencials.

Pàg. 142 Memòria

Percentatge d’aprovats a primera convocatòria d’Informàtica

Percentatge d’aprovats a primera convocatòria de Materials

Figura 82. Percentatge d’aprovats a primera convocatòria d’Informàtica.

Figura 83. Percentatge d’aprovats a primera convocatòria de Materials.

Pàg. 143 Memòria

Percentatge d’aprovats a primera convocatòria de Mecànica

Percentatge d’aprovats a primera convocatòria de Mètodes Numèrics

Figura 84. Percentatge d’aprovats a primera convocatòria de Mecànica.

Figura 85. Percentatge d’aprovats a primera convocatòria de Mètodes Numèrics.

Pàg. 144 Memòria

Percentatge d’aprovats a primera convocatòria de Dinàmica de Sistemes

Percentatge d’aprovats a primera convocatòria d’Economia i Empresa

Figura 86. Percentatge d’aprovats a primera convocatòria de Dinàmica de Sistemes.

Figura 87. Percentatge d’aprovats a primera convocatòria d’Economia i Empresa.

Pàg. 145 Memòria

Percentatge d’aprovats a primera convocatòria d’Estadística

Percentatge d’aprovats a primera convocatòria de Projecte I

Figura 88. Percentatge d’aprovats a primera convocatòria d’Estadística.

Figura 89. Percentatge d’aprovats a primera convocatòria de Projecte I.

Pàg. 146 Memòria

Percentatge d’aprovats a primera convocatòria de Teoria de Màquines i Mecanismes

Figura 90. Percentatge d’aprovats a primera convocatòria de Teoria de Màquines i Mecanismes.

Pàg. 147 Memòria

II. ANNEX II. CORRELACIÓ ENTRE VARIABLES.

Mecànica Fonamental vs. Mecànica

Nota inferior a 5.0

Figura 91. Covariàncies entre les notes de Mecànica Fonamental i Mecànica i entre la nota de Mecànica Fonamental i l’Estat amb nota inferior a 5.

Nota inferior a 4.0

Figura 92. Coeficient de Pearson i p-valor de la nota de Mecànica Fonamental i l’Estat amb nota inferior a 4.

Figura 93. Covariàncies entre les notes de Mecànica Fonamental i Mecànica amb nota inferior a 4.

Nota compresa entre 3.5 i 5

Figura 94. Coeficient de Pearson i p-valor de la nota de Mecànica Fonamental i l’Estat amb nota compresa entre 3.5 i 5.

Figura 95. Covariàncies entre les notes de Mecànica Fonamental i Mecànica amb nota compresa entre 3.5 i 5.

Pàg. 148 Memòria

Nota compresa entre 3.9 i 5.0

Figura 96. Coeficient de Pearson i p-valor de la nota de Mecànica Fonamental i l’Estat amb nota compresa entre 3.9 i 5.



Figura 98. Coeficient de Pearson i p-valor de la nota de Mecànica Fonamental i l’Estat amb nota compresa entre 5 i 10.




Figura 101. Covariàncies entre les notes de Mecànica Fonamental i Mecànica amb nota compresa entre 7 i 10.



Pàg. 149 Memòria

Figura 103. Covariàncies entre les notes de Mecànica Fonamental i Mecànica amb nota compresa entre 8 i 10.

Fonaments d’Informàtica vs. Informàtica

Nota inferior a 3.5

Figura 105. Coeficient de Pearson i p-valor de la nota de Fonaments d’Informàtica i Informàtica amb nota inferior a 3.5.

Figura 106. Covariàncies entre les notes de Fonaments d’Informàtica i Informàtica amb nota inferior a 3.5.

Figura 104. Scatterplot de les notes de Mecànica Fonamental en front les de Mecànica amb nota superior a 8.

Pàg. 150 Memòria

Nota inferior a 5.0

Figura 107. Scatterplot de les notes de Fonaments d’Informàtica en front Informàtica amb nota inferior a 5.0.

Figura 108. Coeficient de Pearson i p-valor de la nota de Fonaments d’Informàtica i Informàtica amb nota inferior a 5.

Figura 109. Covariàncies entre les notes de Fonaments d’Informàtica i Informàtica amb nota inferior a 5.


Figura 110. Coeficient de Pearson i p-valor de la nota de Fonaments d’Informàtica i Informàtica amb nota compresa entre 5 i 10.

Figura 111. Covariàncies entre les notes de Fonaments d’Informàtica i Informàtica amb nota compresa entre 5 i 10.

Pàg. 151 Memòria


Figura 112. Coeficient de Pearson i p-valor de la nota de Fonaments d’Informàtica i Informàtica amb nota compresa entre 7.5 i 10.

Figura 113. Covariàncies entre les notes de Fonaments d’Informàtica i Informàtica amb nota compresa entre 7.5 i 10.

Àlgebra Lineal vs. Equacions Diferencials

Nota inferior a 3.5

Figura 114. Coeficient de Pearson i p-valor de la nota d’Àlgebra Lineal i Equacions Diferencials amb nota inferior a 3.5.

Figura 115. Covariàncies entre les notes d’Àlgebra Lineal i Equacions Diferencials amb nota inferior a 3.5.

Nota inferior a 5.0

Figura 116. Coeficient de Pearson i p-valor de la nota d’Àlgebra Lineal i Equacions Diferencials amb nota inferior a 5.

Figura 117. Covariàncies entre les notes d’Àlgebra Lineal i Equacions Diferencials nota inferior a 5.

Pàg. 152 Memòria


Figura 118. Coeficient de Pearson i p-valor de la nota d’Àlgebra Lineal i Equacions Diferencials amb nota compresa entre 5 i 10.

Figura 119. Covariàncies entre les notes d’Àlgebra Lineal i Equacions Diferencials amb nota compresa entre 5 i 10.


Figura 120. Coeficient de Pearson i p-valor de la nota d’Àlgebra Lineal i Equacions Diferencials amb nota compresa entre 7.5 i 10.

Figura 121. Covariàncies entre les notes d’Àlgebra Lineal i Equacions Diferencials amb nota inferior a 5.

Càlcul I vs. Equacions Diferencials

Nota inferior a 3.5

Figura 122. Coeficient Pearson, p-valor i covariàncies entre les notes de Càlcul I i Equacions Diferencials amb nota inferior a 3.5.

Pàg. 153 Memòria

Nota inferior a 5.0

Figura 123. Coeficient Pearson, p-valor i covariàncies entre les notes de Càlcul I i Equacions Diferencials amb nota inferior a 5.


Figura 124. Coeficient Pearson, p-valor i covariàncies entre les notes de Càlcul I i Equacions Diferencials amb nota compresa entre 5 i 10.


Figura 125. Coeficient Pearson, p-valor i covariàncies entre les notes de Càlcul I i Equacions Diferencials amb nota compresa entre 7.5 i 10.

Pàg. 154 Memòria

Càlcul II vs. Equacions Diferencials

Nota inferior a 3.5

Figura 126. Coeficient Pearson, p-valor i covariàncies entre les notes de Càlcul II i Equacions Diferencials amb nota inferior a 3.5.

Nota inferior a 5.0

Figura 127. Coeficient Pearson, p-valor i covariàncies entre les notes de Càlcul II i Equacions Diferencials amb nota inferior a 5.


Figura 128. Coeficient Pearson, p-valor i covariàncies entre les notes de Càlcul II i Equacions Diferencials amb nota compresa entre 5 i 10.

Pàg. 155 Memòria


Figura 129. Coeficient Pearson, p-valor i covariàncies entre les notes de Càlcul II i Equacions Diferencials amb nota compresa entre 7.5 i 10.

Química II vs. Materials

Nota inferior a 3.5

Figura 130. Coeficient Pearson, p-valor i covariàncies entre les notes de Química II i Materials amb nota inferior a 3.5.

Nota inferior a 5.0

Figura 131. Coeficient Pearson, p-valor i covariàncies entre les notes de Química II i Materials amb nota inferior a 5.

Pàg. 156 Memòria


Figura 132. Coeficient Pearson, p-valor i covariàncies entre les notes de Química II i Materials amb nota compresa entre 5 i 10.


Figura 133. Coeficient Pearson, p-valor i covariàncies entre les notes de Química II i Materials amb nota compresa entre 7.5 i 10.

Pàg. 157 Memòria

III. ANNEX III. MITJANA DE CONVOCATÒRIES PER ESTUDIANT.

Fase Inicial Tots els cursos

Tots els anys – Fase Inicial


Àlgebra Lineal 1.2811764705882354

Càlcul I 1.2985074626865671

Mecànica Fonamental 1.3108055009823183

Química I 1.221353148220571

Fonaments d’Informàtica 1.368503321610004

Geometria 1.224159402241594

Càlcul II 1.2540288379983036

Termodinàmica Fonamental 1.3019027484143764

Química II 1.1668063704945515

Expressió Gràfica 1.1804635761589404

Taula 92. Dades de les mitjanes de convocatòries de la fase inicial per a tots els cursos.

Figura 134. Gràfic de les mitjanes de convocatòries de la fase inicial per a tots els cursos.

Pàg. 158 Memòria

Fase Inicial – 2010

Figura 135. Gràfic de les mitjanes de convocatòries de la fase inicial el 2010.

2010 - Fase Inicial


Àlgebra Lineal 1.278688524590164

Càlcul I 1.1850117096018735


Química I 1.1438679245283019


Geometria 1.0 (no es tenen dades)

Càlcul II 1.0 (no es tenen dades)

Termodinàmica Fonamental 1.0 (no es tenen dades)

Química II 1.0 (no es tenen dades)

Expressió Gràfica 1.0 (no es tenen dades)

Taula 93. Dades de les mitjanes de convocatòries de la fase inicial el 2010.

Pàg. 159 Memòria



2011 - Fase Inicial


Àlgebra Lineal 1.159041394335512

Càlcul I 1.1541950113378685


Química I 1.31002331002331


Geometria 1.0646464646464646

Càlcul II 1.0400801603206413


Química II 1.0592105263157894



Pàg. 160 Memòria



2012 - Fase Inicial


Àlgebra Lineal 1.2247191011235956

Càlcul I 1.2521929824561404


Química I 1.195067264573991


Geometria 1.0641975308641975

Càlcul II 1.0483091787439613


Química II 1.0273972602739727



Pàg. 161 Memòria



2013 - Fase Inicial


Àlgebra Lineal 1.3518518518518519

Càlcul I 1.2995391705069124


Química I 1.1333333333333333


Geometria 1.0524193548387097

Càlcul II 1.0693069306930694


Química II 1.021505376344086



Pàg. 162 Memòria



2014 - Fase Inicial


Àlgebra Lineal 1.1546184738955823

Càlcul I 1.1437632135306555


Química I 1.1578947368421053


Geometria 1.0513307984790874

Càlcul II 1.076171875


Química II 1.0355731225296443



Pàg. 163 Memòria



2015 - Fase Inicial


Àlgebra Lineal 1.0777777777777777

Càlcul I 1.2250996015936255


Química I 1.1794310722100656


Geometria 1.0545112781954886

Càlcul II 1.0813953488372092


Química II 1.0355555555555556



Pàg. 164 Memòria

Fase No Inicial – Tots els cursos

Figura 141. Gràfic de les mitjanes de convocatòries de la fase no inicial de tots els cursos.

Tots els anys - Fase No Inicial


Electromagnetisme 1.2929864253393666

Mètodes Numèrics 1.105379922351636

Materials 1.2439843312814773

Equacions Diferencials 1.240771349862259

Informàtica 1.195054945054945

Mecànica 1.616937745372967

Economia i Empresa 1.0514285714285714

Estadística 1.0658362989323844

Dinàmica de Sistemes 1.1048436541998774

Projecte I 1.0012468827930174

Teoria de Màquines i Mecanismes 1.2560050568900127

Taula 99. Dades de les mitjanes de convocatòries de la fase no inicial per a tots els cursos.

Pàg. 165 Memòria

Fase No Inicial – 2011

Figura 142. Gràfic de les mitjanes de convocatòries de la fase no inicial el 2011.

2011 - Fase No Inicial




Materials 1.0181268882175227


Informàtica 1.0029940119760479

Mecànica 1.2254335260115607

Economia i Empresa 1.0 (no es tenen dades)

Estadística 1.0 (no es tenen dades)

Dinàmica de Sistemes 1.0 (no es tenen dades)

Projecte I 1.0 (no es tenen dades)

Teoria de Màquines i Mecanismes 1.0 (no es tenen dades)

Taula 100. Dades de les mitjanes de convocatòries de la fase no inicial el 2011.

Pàg. 166 Memòria







Materials 1.1755196304849884


Informàtica 1.1231527093596059

Mecànica 1.3164835164835165


Estadística 1.0364963503649636


Projecte I 1.002659574468085



Pàg. 167 Memòria







Materials 1.150753768844221


Informàtica 1.15962441314554

Mecànica 1.235042735042735


Estadística 1.045325779036827


Projecte I 1.0



Pàg. 168 Memòria







Materials 1.0371287128712872


Informàtica 1.103932584269663

Mecànica 1.3109619686800895


Estadística 1.0298913043478262


Projecte I 1.0



Pàg. 169 Memòria







Materials 1.0964912280701755


Informàtica 1.1585081585081585

Mecànica 1.3892215568862276


Estadística 1.0213776722090262


Projecte I 1.0



Pàg. 170 Memòria

IV. ANNEX IV. TAULES DEL PERCENTATGE D’ALUMNES QUE PASSEN A

SEGON.

Electromagnetisme

2012 2013 2014 2015

1 2 1 2 1 2 1 2

Àlgebra Lineal

2011 1 60,09 31,93 25,5 9,76 3,33 1,11 2 0,67

2 20,99 18,52 24,69 13,58 7,41 3,7 7,41 2,47

2012 1 0,68 1,8 38,51 39,64 16,44 5,41 7,88 2,25

2 0 0 3,96 40,59 24,75 9,9 15,84 5,94

2013 1 0 0 0 2,09 41,86 27,67 24,42 11,63

2 0 0 0 0,65 12,34 31,82 37,66 18,83

2014 1 0 0 0 0 0,81 3,25 33,87 33,06

2 0 0 0 0 0 2,44 9,76 39,02 Taula 105. Percentatges (%) d’alumnes que passen d’Àlgebra a Electromagnetisme en les condicions especificades.

Informàtica

2012 2013 2014 2015

1 2 1 2 1 2 1 2

Àlgebra Lineal

2011 1 58,09 25,72 14,41 7,98 1,77 0,22 0,67 0

2 13,58 27,16 22,22 20,99 3,7 0 1,23 0

2012 1 0 2,7 46,4 38,74 10,81 5,86 3,6 0,9

2 0 0 7,92 45,54 18,81 11,88 4,95 2,97

2013 1 0 0 0,23 1,63 40,23 34,65 19,77 7,91

2 0 0 0 0,65 14,64 36,36 33,12 12,34

2014 1 0 0 0 0 1,01 4,67 50,3 25,96

2 0 0 0 0 0 0 21,95 29,27 Taula 107. Percentatges (%) d’alumnes que passen d’Àlgebra a Informàtica en les condicions especificades.

Equacions Diferencials

2012 2013 2014 2015

1 2 1 2 1 2 1 2

Àlgebra Lineal

2011 1 58,98 25,06 19,29 10,86 1,77 0,67 0,22 0,22

2 18,52 22,22 20,99 19,75 4,94 0 1,23 1,23

2012 1 0,23 2,03 42,34 40,09 12,39 5,63 3,83 0,68

2 0 0 6,93 47,52 20,79 13,86 8,91 0

2013 1 0 0 0 1,86 39,53 38,14 24,42 8,14

2 0 0 0 0,65 11,04 37,66 38,31 15,58

2014 1 0 0 0 0 0,2 5,48 41,38 29,01

2 0 0 0 0 0 0 14,63 31,71

Taula 106. Percentatges (%) d’alumnes que passen d’Àlgebra a Equacions Diferencials en les condicions especificades.

Pàg. 171 Memòria

Materials

2012 2013 2014 2015

1 2 1 2 1 2 1 2

Àlgebra Lineal

2011 1 55,43 33,26 15,74 6,65 2,44 0,22 1,33 0,44

2 16,05 24,69 20,99 11,11 6,17 1,23 4,94 1,23

2012 1 0,23 2,25 41,44 38,29 17,57 3,6 9,46 0,23

2 0 0 6,93 39,6 25,74 5,94 20,79 0,99

2013 1 0 0 0 1,63 35,12 38,6 24,65 6,28

2 0 0 0 0 9,09 41,56 33,77 9,74

2014 1 0 0 0 0 0 5,88 37,53 29,82

2 0 0 0 0 0 1,22 10,98 29,27 Taula 108. Percentatges (%) d’alumnes que passen d’Àlgebra a Materials en les condicions especificades.

Mecànica

2012 2013 2014 2015

1 2 1 2 1 2 1 2

Àlgebra Lineal

2011 1 60,98 41,46 24,39 10,2 7,1 2,22 2,88 2,22

2 16,05 24,69 30,86 16,05 12,35 4,94 4,94 4,94

2012 1 0,45 1,8 55,63 35,59 22,75 11,49 11,49 7,21

2 0 0 10,89 39,6 39,6 23,76 19,8 10,89

2013 1 0 0 0,47 1,63 47,67 43,95 31,63 20,93

2 0 0 0 0,65 20,13 47,4 38,96 30,52

2014 1 0 0 0 0 1,01 4,87 38,54 40,37

2 0 0 0 0 0 2,44 14,63 31,71 Taula 109. Percentatges (%) d’alumnes que passen d’Àlgebra a Mecànica en les condicions especificades.

Mètodes Numèrics

2012 2013 2014 2015

1 2 1 2 1 2 1 2

Àlgebra Lineal

2011 1 54,32 31,26 10,2 6,21 0,67 0 0 0

2 16,05 25,93 16,05 13,58 2,47 0 0 0

2012 1 0 2,03 40,09 36,94 12,39 3,83 0,45 0,45

2 0 0 4,95 41,58 22,77 9,9 0,99 0,99

2013 1 0 0 0,23 1,4 36,51 36,05 13,49 3,49

2 0 0 0 0 9,09 43,51 22,73 6,49

2014 1 0 0 0 0 0,2 5,48 40,16 25,76

2 0 0 0 0 0 1,22 14,63 30,49 Taula 110. Percentatges (%) d’alumnes que passen d’Àlgebra a Mètodes Numèrics en les condicions especificades.

Pàg. 172 Memòria

Dinàmica de Sistemes

2012 2013 2014 2015

1 2 1 2 1 2 1 2

Àlgebra Lineal

2011 1 2,22 47,67 21,73 18,18 6,87 1,11 1,77 0,22

2 0 7,41 12,35 20,99 9,88 3,7 2,47 1,23

2012 1 0 0,45 1,35 37,16 34,23 11,49 5,63 2,03

2 0 0 0,99 3,96 35,64 18,81 15,84 4,95

2013 1 0 0 0 0 1,63 32,33 31,86 17,44

2 0 0 0 0 1,3 7,14 31,17 29,22

2014 1 0 0 0 0 0 0,2 6,9 36,51

2 0 0 0 0 0 0 2,44 10,98 Taula 111. Percentatges (%) d’alumnes que passen d’Àlgebra a Dinàmica de Sistemes en les condicions especificades.

Economia i Empresa

2012 2013 2014 2015

1 2 1 2 1 2 1 2

Àlgebra Lineal

2011 1 2,88 55,43 18,18 9,31 4,88 0,67 0,67 0,22

2 3,7 9,88 13,58 11,11 11,11 2,47 1,23 1,23

2012 1 0 0,9 2,93 52,25 23,87 8,33 3,15 0,45

2 0 0 0,99 17,82 34,65 14,85 5,94 0

2013 1 0 0 0 0,7 3,49 46,05 28,84 9,07

2 0 0 0 1,3 1,95 20,13 40,26 14,94

2014 1 0 0 0 0 0 1,42 14,2 46,04

2 0 0 0 0 0 0 8,54 21,95 Taula 112. Percentatges (%) d’alumnes que passen d’Àlgebra a Economia i Empresa en les condicions especificades.

Estadística

2012 2013 2014 2015

1 2 1 2 1 2 1 2

Àlgebra Lineal

2011 1 2,66 52,77 17,29 13,75 6,87 1,33 0,89 0,22

2 1,23 13,58 16,05 11,11 11,11 1,23 2,47 1,23

2012 1 0 0,68 2,48 43,92 29,95 11,26 3,38 0,45

2 0 0 0,99 6,93 36,63 20,79 6,93 1,98

2013 1 0 0 0 0 2,09 36,98 31,16 12,56

2 0 0 0 0 0 12,99 34,42 22,73

2014 1 0 0 0 0 0 1,01 7,91 41,78

2 0 0 0 0 0 0 9,76 14,63 Taula 113. Percentatges (%) d’alumnes que passen d’Àlgebra a Estadística en les condicions especificades.

Pàg. 173 Memòria

Projecte I

2012 2013 2014 2015

1 2 1 2 1 2 1 2

Àlgebra Lineal

2011 1 2 46,12 20,18 8,87 3,99 3,77 0,67 0,44

2 0 8,64 18,52 2,47 7,41 8,64 1,23 1,23

2012 1 0 0 1,35 37,39 31,98 9,91 2,48 1,8

2 0 0 0 2,97 35,64 16,83 4,95 4,95

2013 1 0 0 0 0,23 0,93 32,56 30 13,49

2 0 0 0 0 0 7,14 31,82 20,78

2014 1 0 0 0 0 0 0,2 4,26 35,7

2 0 0 0 0 0 0 1,22 10,98 Taula 114. Percentatges (%) d’alumnes que passen d’Àlgebra a Projecte I en les condicions especificades.

Teoria de Màquines i Mecanismes

2012 2013 2014 2015

1 2 1 2 1 2 1 2

Àlgebra Lineal

2011 1 1,55 46,78 28,16 15,74 13,97 4,88 6,21 3,33

2 0 8,64 16,05 13,58 19,75 6,17 9,88 6,17

2012 1 0 0 1,35 37,39 33,56 13,96 15,77 8,78

2 0 0 0 4,95 32,67 23,76 20,79 15,84

2013 1 0 0 0 0 2,09 29,07 29,53 29,3

2 0 0 0 0 0,65 4,55 24,68 37,66

2014 1 0 0 0 0 0 0 3,04 33,27

2 0 0 0 0 0 0 0 8,54 Taula 115. Percentatges (%) d’alumnes que passen d’Àlgebra a Projecte I en les condicions especificades.

anàlisi de la tendència dels estudiants de l’etseib al

Documents